比较基于深度学习的视频模型与训练有素的兽医在牛只疼痛评估中的表现

解读牛脸为何重要

农场动物的疼痛既是福利问题也是经营问题：疼痛的动物食量下降、生长放缓，且可能默默受苦。与人不同，奶牛无法告诉我们哪里疼，即使是有经验的兽医也可能会漏掉细微的迹象。本研究提出了一个具有现实意义的引人注目的问题：一个人工智能系统仅通过观察普通的牛群视频，能否在手术后判断哪些动物在疼痛方面与受过训练的兽医相匹敌甚至更优？

安静牛群里的隐性疼痛

牛是被食肉动物捕食的动物，进化过程中学会了掩盖虚弱。这使得疼痛难以察觉，即便对专家而言也是如此，现有的评分系统既耗时又带有一定主观性。兽医通常通过行为清单和面部表情来评估疼痛，例如牛的步态、是否与群体互动，或其眼、耳和口吻的样子。这些工具能提高一致性，但仍依赖于人的判断、训练以及观察动物时的具体情境。在繁忙的商业化农场里，对每只动物都应用如此详细的量表通常并不现实。

把牛舍视频变成数据

研究者在其他物种（猫、狗、兔、羊和马）已有的研究基础上开展工作，这些研究表明计算机能从影像中识别疼痛。在这里，他们把重点放在接受常规阉割术的年轻公牛身上。来自两种常见肉牛品系的17头动物在其舍圈内在手术前后若干时间点被拍摄约三分钟。对人工智能而言，关键比较是以术前被视为无痛的时刻与术后早期预期有急性疼痛的时刻之间的对比。从这些录像中，研究团队每秒提取一帧，并自动裁剪出每头动物的头部区域，生成一组简化的牛脸及上半身特写图像。

计算机如何学会读懂牛

每个裁剪后的视频帧被转换为紧凑的数值描述——一种视觉指纹——使用的是最初在大规模图像集上训练的现代视觉变换器模型。这些指纹随后被送入一个简单的分类器，分类器基于带标签的样本学习区分“疼痛”和“无痛”。作者并未依赖大量预处理或反复重训练，而是保持流程高效，以便面向现实环境部署，考虑到农场上可能受限的计算资源和技术能力。对于每段三分钟的视频，系统通过对所有帧进行多数投票来作出决定，从而能捕捉到单张静态图像可能漏掉的短暂表情和姿态变化。

临床中的人类对决机器

为评估人工智能表现，研究将其与两名受过训练的兽医麻醉师使用现行疼痛量表的评分进行了比较。UNESP‑Botucatu牛只疼痛量表侧重于身体行为，如运动、食欲和互动，而牛类面部痛苦表（Bovine Grimace Scale）则集中于眼睑紧缩、耳位等面部特征。兽医既在手术期间现场评分，也随后从录像中评分。仅使用视频的计算机达到了约97%的准确率，F1分数（对“有痛/无痛”判断的平衡衡量）接近97%。这优于基于视频的人类评分，并在统计学上与兽医在牛舍内的实时评估相当。

对牛和农场主的意义

对非专业读者来说，结论很直接：一个精心设计的人工智能系统仅通过普通视频就能以接近有经验兽医的水平识别牛的疼痛，有时还更为一致。这并不意味着要取代兽医；更可能的前景是摄像头在牛群四周默默监控，及时标记可能受苦的动物，以便人工介入更早。该研究规模仍小且聚焦于一种手术，并且将疼痛简化为是/否的二元判断。但它提供了一个概念验证：机器能帮助揭示农场动物的隐藏痛苦，从而改善它们的生活质量并提高畜牧生产的效率。

引用: 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

关键词: 动物疼痛检测, 牛只福利, 兽医人工智能, 计算机视觉, 畜牧健康监测