Vergelijking van de prestaties van diepgaande, op video gebaseerde modellen en getrainde dierenartsen bij pijnbeoordeling van runderen

Waarom het lezen van koeiengezichten ertoe doet

Pijn bij boerderijdieren is zowel een welzijnsvraagstuk als een zakelijk probleem: dieren die pijn hebben eten minder, groeien trager en kunnen ongemerkt lijden. In tegenstelling tot mensen kunnen koeien ons niet vertellen waar het pijn doet, en zelfs ervaren dierenartsen missen soms subtiele signalen. Deze studie stelt een prikkelende vraag met reële consequenties: kan een kunstmatig intelligentiesysteem dat gewone video van rundvee analyseert, even goed of beter presteren dan getrainde dierenartsen in het aangeven welke dieren na een operatie pijn hebben?

Verborgen pijn in stille kuddes

Runderen zijn prooidieren en hebben zich in de loop van de evolutie geleerd zwakte te verbergen. Dat maakt pijn moeilijk waarneembaar, zelfs voor experts, en bestaande beoordelingssystemen zijn tijdrovend en enigszins subjectief. Dierenartsen scoren pijn doorgaans met checklisten van gedrag en gelaatsuitdrukkingen, zoals hoe een koe loopt, of ze contact zoekt met kuddedieren, of het uiterlijk van ogen, oren en neus. Deze instrumenten verbeteren de consistentie maar blijven afhankelijk van menselijk oordeel, training en de omstandigheden waarin de dieren worden geobserveerd. Op drukke commerciële bedrijven is het toepassen van zulke gedetailleerde schalen op elk dier vaak onpraktisch.

De schuurvideo’s omzetten in data

De onderzoekers bouwden voort op eerder werk bij andere diersoorten—katten, honden, konijnen, schapen en paarden—waar computers pijn uit afbeeldingen hebben leren herkennen. Hier richtten ze zich op jonge stieren die routinematig gecastreerd werden. Zeventien dieren van twee gangbare vleesrassen werden gefilmd in hun hokken gedurende ongeveer drie minuten op meerdere tijdstippen voor en na de ingreep. Voor de AI was de belangrijkste vergelijking tussen een moment vóór de operatie, aangenomen pijnvrij, en een vroeg moment na de ingreep waarop acute pijn werd verwacht. Uit deze opnames haalde het team één frame per seconde en sneed automatisch rond de kop van elk dier, waardoor een gestroomlijnde set close‑ups van rundergezichten en bovenlichaam ontstond.

Hoe de computer leert een koe te lezen

Elk uitgesneden frame werd omgezet in een compact numeriek beschrijving—een soort visueel vingerafdruk—met behulp van een moderne vision transformer die oorspronkelijk op grote beeldverzamelingen was getraind. Deze vingerafdrukken werden vervolgens gevoed aan een eenvoudige classifier die leerde “pijn” van “geen pijn” te onderscheiden op basis van gelabelde voorbeelden. In plaats van te vertrouwen op zware voorbewerking of herhaalde hertrainingscycli hielden de auteurs de pijplijn efficiënt, met het oog op implementatie in de praktijk op boerderijen waar rekenkracht en technische expertise beperkt kunnen zijn. Voor elke drie minuten durende video nam het systeem een beslissing door een meerderheid van de frames te stemmen, waardoor het vluchtige veranderingen in mimiek en houding kon oppikken die op een enkele stilstaande foto mogelijk onopgemerkt blijven.

Mensch tegen machine in de kliniek

Om de prestaties van de AI te beoordelen, vergeleken ze deze met die van twee getrainde veterinaire anesthesisten die gevestigde pijnschalen gebruikten. De UNESP‑Botucatu Cattle Pain Scale richt zich op lichaamsgedragingen zoals beweging, eetlust en interactie, terwijl de Bovine Grimace Scale zich concentreert op gelaatskenmerken zoals het samentrekken van oogleden en oorstand. De dierenartsen beoordeelden pijn zowel persoonlijk tijdens de operatieperiode als later vanaf de opgenomen video’s. De computer, werkend alleen met de video’s, behaalde een nauwkeurigheid van ongeveer 97 procent en een F1‑score—een gebalanceerde maat voor correcte pijn‑ en geen‑pijnbeslissingen—van bijna 97 procent. Dit was beter dan de door video beoordeelde scores van mensen en statistisch vergelijkbaar met de realtime beoordelingen van de dierenartsen bij de hokken.

Wat dit betekent voor koeien en boeren

Voor de niet‑specialistische lezer is de conclusie helder: een zorgvuldig ontworpen AI‑systeem dat gewone video analyseert kan pijn bij rundvee ongeveer even goed ontdekken als ervaren dierenartsen, en soms consistenter. Dat betekent niet dat dierenartsen overbodig worden; het wijst eerder op een toekomst waarin camera’s stilletjes kuddes continu bewaken en dieren signaleren die waarschijnlijk pijn hebben, zodat mensen sneller kunnen ingrijpen. De studie is nog klein en gericht op één type ingreep, en het vereenvoudigt pijn tot een ja‑of‑nee‑beslissing. Maar het biedt een proof of concept dat machines kunnen helpen verborgen lijden bij boerderijdieren aan het licht te brengen, wat zowel hun levenskwaliteit als de efficiëntie van veeteelt kan verbeteren.

Bronvermelding: 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

Trefwoorden: detectie van dierlijke pijn, welzijn van rundvee, veterinaire kunstmatige intelligentie, computer vision, monitoring van veegezondheid