Détecter la douleur chez ceux qui ne peuvent la décrire avec des mots est l'un des défis les plus persistants de la médecine vétérinaire. Les chevaux, en particulier, ont une tendance instinctive à cacher leurs signes de malaise lorsqu'il y a des humains à proximité, un trait qui a évolué comme un mécanisme de survie chez une espèce proie.
Cette difficulté a motivé une équipe internationale à concevoir un système de intelligence artificielle capable d'identifier la douleur chez les équins à partir de l'analyse de vidéos et à démontrer, avec des métriques quantitatives, que les explications du modèle coïncident avec les zones que les vétérinaires considèrent comme pertinentes.
Le système, baptisé SHIC-XE, a été développé sous la conduite du doctorant Marcelo Feighelstein, directeur du Programme d'Ingénierie des Systèmes d'Intelligence Artificielle à l'Université de Tel Hai de Kiryat Shmona en Galilée, Israël, en collaboration avec des chercheurs de l'Université de Haifa, de l'Institut Technologique d'Israël (Technion), de l'Université de Berne, de l'Université de Milan, de l'Université d'État de São Paulo (Unesp) et de l'Université de Newcastle.
La question qui a guidé la recherche n'était pas seulement de savoir si l'intelligence artificielle pouvait détecter la douleur, mais si elle était capable de montrer, de manière compréhensible pour les spécialistes, quelle partie du visage de l'animal avait été ciblée pour cette décision. Un système qui donne la bonne réponse sans expliquer ses raisons génère de la méfiance dans les environnements cliniques, où les professionnels ont besoin de pouvoir examiner la logique de tout outil qu'ils utilisent.
La majorité des méthodes d'intelligence artificielle explicable utilisent des cartes thermiques qui indiquent quelles zones d'une image ont le plus influencé la décision du modèle. Lorsque cette technique est appliquée aux vidéos, le résultat est problématique : l'animal bouge, la caméra peut changer d'angle et la région mise en évidence passe d'un cadre à l'autre sans être ancrée dans une structure réelle.
SHIC-XE projette l'attention du modèle sur une représentation 3D du cheval
La solution consiste à associer chaque pixel de chaque cadre à un point sur un modèle tridimensionnel fixe du visage équin. Lorsque le cheval tourne la tête ou s'éloigne, l'outil continue de lier l'attention du système à la même zone du visage, car il fonctionne sur cette représentation spatiale constante.
Les informations issues de plusieurs cadres s'accumulent sur une surface cohérente et l'explication finale ne dépend pas de l'angle de prise de vue ni du mouvement de l'animal.
Le système a été testé sur trois groupes de chevaux présentant différents mécanismes de douleur : post-chirurgical, inflammatoire et orthopédique, ainsi que mécanique aiguë. La précision de la classification a dépassé 67 % dans tous les cas, atteignant un maximum de 80 %, ce qui indique une performance robuste dans divers scénarios cliniques.
L'IA et les vétérinaires portent attention aux mêmes zones du visage
La validation la plus pertinente n'est pas combien de fois le système a raison, mais s'il regarde où cela compte. Les chercheurs ont comparé les zones que l'intelligence artificielle privilégie avec celles que les vétérinaires considèrent comme indicatives de douleur selon l'Échelle d'Expression Faciale Équine, un outil validé qui évalue les mouvements musculaires du visage du cheval.
L'analyse a révélé des coïncidences dans les oreilles et les muscles des joues. Les yeux ont montré une divergence, ce qui suggère que les humains et le système évaluent cette zone de manière différente.
“C'est la première validation quantitative de ce type, qui démontre que le modèle non seulement arrive à la bonne conclusion, mais se concentre également sur les régions anatomiquement pertinentes lorsqu'il prend cette décision”, a déclaré Feighelstein. “Cela nous rapproche d'ouvrir la ‘boîte noire’ de l'intelligence artificielle, en montrant non seulement ce que le modèle décide, mais aussi si les preuves qu'il utilise ont du sens pour les experts”, a-t-il ajouté.
Bien qu'il soit développé pour les équins, le cadre est applicable à tout domaine nécessitant une cohérence spatiale entre les images et les modèles physiques. Dans le domaine de la médecine humaine, les auteurs notent des utilisations potentielles dans l'évaluation de la douleur chez les nouveau-nés, le suivi des patients sédatés en soins intensifs et l'analyse des troubles neurologiques.
“Lorsque nous avons commencé à étudier la reconnaissance de la douleur chez les animaux, l'objectif était de leur donner une voix”, a déclaré Feighelstein. “Avec le temps, nous avons réalisé qu'un défi tout aussi important est de garantir que cette voix soit fiable : qu'elle explique non seulement que la douleur est présente, mais aussi pourquoi le système a atteint cette conclusion”, a-t-il conclu.