Jämförelse av prestanda mellan djupinlärningsbaserade videomodeller och utbildade veterinärer vid bedömning av smärta hos nötkreatur

Varför det spelar roll att läsa kos ansikten

Smärta hos lantbruksdjur är både en välfärdsfråga och ett affärsproblem: djur som har ont äter mindre, växer långsammare och kan lida i tystnad. Till skillnad från människor kan kor inte säga var det gör ont, och även skickliga veterinärer kan missa subtila tecken. Denna studie ställer en slagkraftig fråga med verkliga konsekvenser: kan ett artificiellt intelligenssystem, som tittar på vanlig video av nötkreatur, matcha eller till och med överträffa utbildade veterinärer i att avgöra vilka djur som har ont efter operation?

Gömd smärta i tysta flockar

Nötkreatur är bytesdjur och har genom evolutionen lärt sig att dölja svaghet. Det gör smärta svår att upptäcka, även för experter, och befintliga poängsystem är tidskrävande och delvis subjektiva. Veterinärer brukar bedöma smärta med checklistor över beteenden och ansiktsuttryck, till exempel hur en ko går, om den interagerar med flockkamrater eller hur ögon, öron och mule ser ut. Dessa verktyg ökar konsekvensen men beror fortfarande på mänskligt omdöme, utbildning och de omständigheter då djuren observeras. På stressade kommersiella gårdar är det ofta opraktiskt att tillämpa så detaljerade skalor på varje djur.

Att omvandla ladugårdsvideor till data

Forskarnas arbete bygger på tidigare studier i andra arter—katter, hundar, kaniner, får och hästar—där datorer lärt sig känna igen smärta från bilder. Här fokuserade de på unga tjurar som genomgick rutinmässig kastrering. Sjutton djur från två vanliga köttdjursraser filmades i sina boxar i ungefär tre minuter vid flera tidpunkter före och efter operation. För AI:n var den viktiga jämförelsen mellan ett för-operationstillfälle som antogs vara smärtfritt och ett tidigt efteroperationstillfälle då akut smärta förväntades. Från dessa inspelningar extraherade teamet en bildruta per sekund och beskärde automatiskt runt varje djurs huvud, vilket skapade en strömlinjeformad uppsättning närbilder av koransikten och överkroppar.

Hur datorn lär sig läsa en ko

Varje beskuren bildruta konverterades till en kompakt numerisk beskrivning—en slags visuell fingeravtryck—med en modern vision transformer-modell som ursprungligen tränats på stora bildsamlingar. Dessa fingeravtryck matades sedan in i en enkel klassificerare som lärde sig skilja "smärta" från "ingen smärta" utifrån de märkta exemplen. I stället för att förlita sig på omfattande förbehandling eller upprepade omträningscykler höll författarna pipelinen effektiv, med sikte på verklig användning på gårdar där datorkapacitet och teknisk expertis kan vara begränsade. För varje tremuntersvideo fattade systemet ett beslut genom majoritetsröstning över alla rutor, vilket gjorde att det kunde plocka upp flyktiga förändringar i uttryck och kroppshållning som en enskild stillbild skulle missa.

Människa mot maskin i kliniken

För att bedöma hur väl AI:n presterade jämfördes dess resultat med två utbildade veterinäranestetiker som använde etablerade smärtskattningsskalor. UNESP‑Botucatu Cattle Pain Scale fokuserar på kroppsbeteenden som rörelse, aptit och interaktion, medan Bovine Grimace Scale koncentrerar sig på ansiktsdrag som ögonlockssammandragning och öronposition. Veterinärerna skattade smärta både på plats under operationen och senare från de inspelade videorna. Datorn, som enbart använde videorna, nådde en noggrannhet på omkring 97 procent och ett F1‑värde—en balanserad måttstock för korrekta smärt- och icke-smärtanrop—på nästan 97 procent. Detta var bättre än de människobaserade videoresultaten och statistiskt jämförbart med veterinärernas realtidsbedömningar i djurboxarna.

Vad detta innebär för kor och bönder

För en allmän läsare är slutsatsen enkel: ett omsorgsfullt utformat AI-system som bevakar vanlig video kan upptäcka smärta hos nötkreatur ungefär lika bra som erfarna veterinärer och ibland med större konsekvens. Det betyder inte att veterinärer ska ersättas; snarare pekar det mot en framtid där kameror diskret övervakar besättningar dygnet runt och flaggar djur som sannolikt har ont så att människor kan ingripa snabbare. Studien är fortfarande liten och fokuserad på en typ av ingrepp, och den förenklar smärta till ett ja‑ eller nej‑beslut. Men den visar ett konceptbevis att maskiner kan bidra till att avslöja det dolda lidandet hos lantbruksdjur, vilket kan förbättra både deras livskvalitet och effektiviteten i djurproduktionen.

Citering: 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

Nyckelord: detektion av djurens smärta, nötdjursvälfärd, veterinär artificiell intelligens, datorseende, övervakning av boskapens hälsa