通过面部视频评估疼痛的基于深度学习的实例可评估模型 (EDi疼痛):回顾性分析和前性急诊室研究
Yi-Cheng Yang1, Wen-Hsiang Cheng1, En-Ting Lin1
1Department of Computer Science and Information Engineering, National Taiwan University, CSIE Der Tian Hall No. 1, Sec. 4, Roosevelt Road, Taipei, 106319, Taiwan.
Journal of imaging informatics in medicine
|May 12, 2025
概括
这项研究介绍了EDi Pain,这是一种使用深度学习来估计面部视频患者疼痛强度的自动化系统. 该模型为临床环境中的疼痛评估提供了更加客观和动态的方法.
科学领域:
- 医学技术 医学技术 医学技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 自动化疼痛评估系统很少,尽管疼痛在医疗保健中至关重要.
- 目前的方法,如视觉模拟尺度 (VAS),依赖于主观的自我报告,这在分拣过程中可能不可靠.
- 客观的,自动化的疼痛估计需要分析视频序列,并利用专业的评估.
研究的目的:
- 开发和验证一种基于深度学习的自动化模型,用于从面部视频中估计疼痛强度.
- 通过使用灵活的多实例学习来解决视频数据中弱标签的挑战.
- 创建一个能够评估视频段对疼痛推断的意义的实例评估模型.
主要方法:
- 将短视频片段作为视频级地面真相 (医生评级VAS) 的实例段来处理.
- 提出了灵活的多实例学习方法,具有专门的损失函数和采样策略.
- 开发了EDi疼痛模型,这是一个从面部视频中估计疼痛强度的实例评估系统.
主要成果:
- 在UNBC-McMaster数据集上,EDi Pain模型实现了1.85的平均绝对误差 (MAE) 和0.63的皮尔森相关系数 (PCC).
- 在931名患者的前数据集上进行验证,MAE为1.48和PCC为0.22.
- 该模型在视频级疼痛强度估计方面表现出了竞争力.
结论:
- 一个基于深度学习的,可实例评估的新型模型 (EDi Pain) 被开发和验证,用于使用面部视频来估计疼痛强度.
- EDi疼痛模型显示了实时临床应用的潜力,提供了更客观,更动态的疼痛评估方法.
- 这种方法为医疗保健机构的主观疼痛报告提供了一个有希望的替代方案.
