השוואת הביצועים של מודלים מבוססי וידאו בלמידה עמוקה מול וטרינרים מאומנים בהערכת כאב בבקר

מדוע קריאת פניהם של פרות חשובה

כאב בבעלי חיים חקלאיים הוא גם בעיית רווחה וגם בעיה עסקית: בעלי חיים שסובלים כאב אוכלים פחות, גדלים לאט יותר ועלולים לסבול בשקט. שלא כמו בני אדם, פרות אינן יכולות לספר לנו היכן כואב, ואף וטרינרים מיומנים עלולים לפספס סימנים עדינים. המחקר הזה שואל שאלה בולטת עם השלכות מעשיות: האם מערכת בינה מלאכותית, הצופה בוידאו רגיל של בקר, יכולה להשתוות או אפילו להצטיין על פני וטרינרים מאומנים בזיהוי אילו בעלי חיים כואבים לאחר ניתוח?

כאבים נסתרים בעדרים שקטים

בקר הם בעלי חיים הנחשבים לטרף, ובמהלך האבולוציה הם למדו להסתיר חולשה. זה עושה את זיהוי הכאב לקשה, גם עבור מומחים, ומערכות הדירוג הקיימות רואות אור רב ולוקחות זמן והן למדי סובייקטיביות. וטרינרים בדרך כלל מדרגים כאב באמצעות רשימות בדיקה של התנהגויות והבעות פנים, כמו כיצד הפרה הולכת, האם היא מתקשרת עם חברי העדר או איך נראים עיניה, אזניה וחרפה. כלים אלה משפרים את העקביות אך עדיין תלויים בשיפוט האנושי, בהכשרה ובנסיבות שבהן נצפים החיות. במשקים מסחריים עמוסים, יישום סולמות מפורטים כאלה על כל בעל חיים לעיתים אינו מעשי.

הפיכת סרטי אסם לנתונים

החוקרים בנו על עבודות קודמות במינים אחרים—חתולים, כלבים, ארנבים, כבשים וסוסים—בהן מחשבים למדו לזהות כאב מתמונות. כאן הם התמקדו בעגלים זכרים צעירים שעברו כריתת אשך שגרתית. שבעה‑עשר פרטים משתי גזעי בקר בשר נפוצים צולמו במחצלותיהם במשך כשלוש דקות בכמה נקודות זמן לפני ואחרי הניתוח. בעבור ה‑AI, ההשוואה המרכזית הייתה בין רגע לפני הניתוח שנחשב נטול כאב לבין רגע מוקדם לאחר הניתוח שבו צפוי כאב חריף. מההקלטות הללו חילקה הקבוצה פריים אחד לשנייה וגזרה אוטומטית סביב ראש כל חיה, ויצרה סט ממוקד של צילומי תקריב של פניהם וחלקי עליונים של גופן של הפרות.

כיצד המחשב לומד לקרוא פרה

כל פריים מגוזר הומר לתיאור מספרי קומפקטי—מין טביעת אצבע חזותית—באמצעות מודל ויזואלי מודרני מסוג טרנספורמר שהוכשר במקור על אוספים גדולים של תמונות. טביעות אצבע אלה הוזנו לאחר מכן לממיין פשוט שלמד להבחין בין "כאב" ל"אין כאב" על בסיס הדוגמאות המתויגות. במקום לסמוך על עיבוד מוקדם כבד או על מחזורי אימון חוזרים ונשנים, המחברים שמרו על קו צינור יעיל, מתוך כוונה לפרוסו בעולם האמיתי בחוות שבהן משאבי חישוב ומומחיות טכנית עלולים להיות מוגבלים. עבור כל וידאו של כשלוש דקות, המערכת קיבלה החלטה באמצעות החלטת רוב על פני כל הפריימים, מה שאיפשר לה לתפוס שינויים חולפים בהבעות וביציבה שתמונה אחת בודדת עלולה לפספס.

אדם מול מכונה במרפאה

כדי לשפוט עד כמה ה‑AI מצליח, ביצועיו הושוו לאלו של שני מרדימים וטרינריים מאומנים שהשתמשו בסולמות כאב מבוססים. סולם הכאב UNESP‑Botucatu לבקר מתמקד בהתנהגויות גוף כמו תנועה, תאבון ואינטראקציה, בעוד שסולם ההבעה Bovine Grimace מתמקד בתכונות פנים כגון הידוק עפעפיים ומיקום האוזניים. הווטרינרים נתנו ציוני כאב הן במקום במהלך התקופה הניתוחית והן מאוחר יותר מהסרטונים שנרשמו. המחשב, שהשתמש רק בוידאו, הגיע לדיוק של כ‑97 אחוז וניקוד F1—מדד מאוזן של קריאות נכונות של כאב ואין‑כאב—שעמד על כמעט 97 אחוז. זה היה טוב יותר מדירוגי האנשים על בסיס הוידאו והשווה מבחינה סטטיסטית להערכות הווטרינרים בזמן אמת ליד מחצלות החיות.

מה משמעות הדבר לפרות ולחקלאים

לקורא שאינו מומחה, המסקנה פשוטה: מערכת AI שעוצבה בקפידה וצופה בוידאו רגיל יכולה לזהות כאב בבקר בערך באותה מידה כמו וטרינרים מנוסים, ולפעמים בעקביות רבה יותר. הדבר אינו מתכוון להחליף וטרינרים; להיפך, הוא מצביע על עתיד שבו מצלמות עוקבות בשקט אחר העדרים מסביב לשעון ומסמנות חיות שסביר שהן סובלות, כדי שבני אדם יוכלו להתערב מוקדם יותר. המחקר עדיין קטן וממוקד בסוג אחד של ניתוח, והוא מפשט את הכאב להחלטת כן‑או‑לא. עם זאת, הוא מציע הוכחת קונספט שמכונות יכולות לסייע לחשוף את הסבל הנסתר של בעלי החיים בחווה, ולשפר הן את איכות החיים שלהם והן את היעילות בייצור בעלי החיים.

ציטוט: Feighelstein, M., Tomacheuski, R.M., Elias, G. et al. Comparing the performance of deep learning video-based models and trained veterinarians in cattle pain assessment. Sci Rep 16, 9318 (2026). https://doi.org/10.1038/s41598-026-39604-2

מילות מפתח: זיהוי כאב אצל בעלי חיים, רווחת בקר, בינה מלאכותית וטרינרית, ראייה ממוחשבת, ניטור בריאות בעלי חיים משק