Forskning om förbättrade modeller för igenkänning av ansiktsuttryck hos möss med onormal glukosmetabolism

Att avläsa hälsa i små ansikten

Onormala blodsockernivåer är mest kända för sin roll vid diabetes, men de påverkar också hjärnan, humöret och det allmänna välbefinnandet på tystare sätt. Denna studie visar att till och med möss bär sin metabola hälsa i ansiktet. Genom att iaktta små förändringar i morrhår, öron och ögon och kombinera dessa med en smart men kompakt datorvisionsmodell visar forskarna ett nytt sätt att följa blodsockerproblem och behandlingseffekter utan ett enda stick.

Att bygga en musversion av prediabetes och diabetes

För att undersöka hur förändringar i blodsockret syns i ansiktet behövde teamet först möss som tillförlitligt gick från normal metabolism till problem och sedan till återhämtning. De använde en väl etablerad metod: en fettrik kost tillsammans med en förening kallad streptozotocin som skadar insulinproducerande celler. Hanar av C57BL/6J-möss delades in i fem grupper. En fick stanna på standardkost medan de andra fick fettrik kost plus läkemedlet för att utlösa förhöjt blodsocker. Efter detta gavs tre av de högblodsockergrupperna olika doser av ett svamp‑härlett ämne kallat Sparassis latifolia‑polysackarider (SLP). Under flera månader visade upprepade blodprov ett tydligt mönster: blodsockret steg från normalt till tidig störning, vidare till full abnormitet, och slutligen sjönk igen i gruppen som fick hög dos SLP, vilket visade en dosberoende förbättring.

Att förvandla musansikten till ett datalager

Nästa steg var att omvandla vardagligt musbeteende till ett omfattande bildbibliotek. Två kameror—en i ögonhöjd och en vinklad ovanifrån—spelade in fritt rörliga möss i tusentals minuter under kontrollerad belysning och temperatur. Ur 390 videoklipp valde teamet för hand ut 2830 klara bilder av musansikten. Varje bild märktes upp enligt ett av fem blodsockerbaserade tillstånd: normalt, tidig störning, full abnormitet samt tidiga eller sena stadier av SLP‑behandling. Specialister ritade sedan rutor runt ögon, öron, nos, mun och morrhår för att fånga de subtila signaler som speglar obehag, ansträngning eller lindring. Detta skapade en standardiserad datamängd som kopplar ansiktsuttryck direkt till uppmätta blodsockernivåer över sjukdoms- och återhämtningsfaser.

Att utforma en liten men skarpsynt detektionsmodell

Att känna igen dessa uttryck är långtifrån trivialt: musansikten är små i varje bildruta, uttrycksskillnader är subtila och burar är visuellt röriga med spån, strö och burkamrater. För att hantera detta byggde teamet en uppgraderad version av ett populärt realtidsvisionsystem kallat YOLOv8 och döpte sin variant till LFPP‑YOLO. De lade till ett ”delvis självuppmärksamhets”-block som skannar hela bilden men selektivt betonar regioner som ser ut som ansikten, vilket hjälper modellen att ignorera bakgrundsstörningar. De integrerade också en lättviktsuppsättning moduler som blandar information över olika bildskalor så att systemet både kan se hela huvudet och plocka upp fina linjer och texturer runt ögon och morrhår. En förfinad förlustfunktion styr dessutom modellen att dra tajtare, mer precisa ramar runt oregelbundna, suddiga ansiktsregioner.

Testning av systemet mot rivaliserande metoder och i verkligheten

På den kuraterade datamängden nådde LFPP‑YOLO en genomsnittlig detektionsnoggrannhet på cirka 95% över de fem metabola tillstånden, med ett F1‑värde nära 0,89. Anmärkningsvärt nog gjorde den detta samtidigt som den förblev liten—ungefär 2,4 megabyte—och snabb, och behövde endast cirka 5 millisekunder för att analysera en bild på testhårdvaran. I head‑to‑head‑tester överträffade den både en klassisk tvåstegsdetektor och flera nyare YOLO‑varianter, särskilt för små, delvis dolda eller vinklade ansikten. Värmekartsvisualiseringar visade att den förbättrade modellen lärde sig att fokusera på öron, ögon och mun även när andra möss eller spån stökade till scenen. I en separat validering vid en annan anläggning matchade modellens uttrycksbaserade klassificeringar nära de blodsockerbaserade etiketterna, med en statistisk överensstämmelse som vanligen beskrivs som ”nästan perfekt”.

Vad detta kan innebära för framtida vård

Arbetet tyder på att ansiktsuttryck kan fungera som ett praktiskt, icke‑invasivt fönster in i metabol hälsa hos små djur. Istället för upprepade blodprov skulle forskare kunna använda kameror och en kompakt algoritm för att följa när en mus glider från normal metabolism mot problem och när en kost‑ eller läkemedelsintervention börjar vända skadan. Även om den nuvarande datamängden är begränsad i omfattning och förhållanden och mer arbete krävs för att överföra metoden till andra stammar, belysning och arter, pekar studien mot en framtid där rutinmässig övervakning av kroniska sjukdomar hos djur—och kanske en dag hos människor—i allt större utsträckning kan förlita sig på noggrann avläsning av ansiktet i kombination med intelligenta visionssystem snarare än nålar och testremsor.

Citering: Guo, X., Shi, L., Ma, B. et al. Research on improved models for facial expression recognition in mice with abnormal glucose metabolism. Sci Rep 16, 8165 (2026). https://doi.org/10.1038/s41598-026-38863-3

Nyckelord: igenkänning av ansiktsuttryck, onormal glukosmetabolism, mus-diabetesmodell, djupinlärningsdetektion, icke-invasiv övervakning