Desarrollaron una IA que puede leer el dolor en el rostro de los caballos: cómo funciona

Detectar el dolor en quien no puede describirlo con palabras es uno de los desafíos más persistentes de la medicina veterinaria. Los caballos, en particular, tienen una tendencia instintiva a ocultar sus señales de malestar cuando hay humanos cerca, rasgo que evolucionó como mecanismo de supervivencia en una especie de presa.

Esa dificultad motivó a un equipo internacional a diseñar un sistema de inteligencia artificial capaz de identificar dolor en equinos a partir del análisis de videos y a demostrar, con métricas cuantitativas, que las explicaciones del modelo coinciden con las áreas que los veterinarios consideran relevantes: demostrar, con mediciones concretas, que las zonas en las que el sistema pone su atención coinciden con las que los veterinarios consideran relevantes.

El sistema, bautizado SHIC-XE, fue desarrollado bajo la conducción del doctor Marcelo Feighelstein, director del Programa de Ingeniería de Sistemas de Inteligencia Artificial en la Universidad de Tel Hai de Kiryat Shmona en Galilea, Israel, junto a investigadores de la Universidad de Haifa, el Instituto Tecnológico de Israel (Technion), la Universidad de Berna, la Universidad de Milán, la Universidad del Estado de San Pablo (Unesp) y la Universidad de Newcastle. Un estudio publicado en la revista International Journal of Computer Vision detalla el marco metodológico y los resultados.

La pregunta que guio la investigación no era solo si la inteligencia artificial podía detectar dolor, sino si era capaz de mostrar, de manera comprensible para los especialistas, en qué parte del rostro del animal había puesto su atención al tomar esa decisión. Un sistema que acierta pero no explica sus razones genera desconfianza en entornos clínicos, donde los profesionales necesitan poder revisar la lógica de cualquier herramienta que utilicen.

“Mi motivación es construir un puente entre humanos y animales”, afirmó Feighelstein según el comunicado de prensa de Tel-Hai. “Queremos dar una voz tecnológica a quienes no tienen palabras, para que los cuidadores y profesionales puedan comprender mejor su estado, sus emociones y su sufrimiento”, añadió.

La mayoría de los métodos de inteligencia artificial explicable utilizan mapas de calor que señalan qué zonas de una imagen influyeron más en la decisión del modelo. Cuando esa técnica se aplica a videos, el resultado es problemático: el animal se mueve, la cámara puede cambiar de ángulo y la región resaltada salta de un fotograma al siguiente sin anclarse a ninguna estructura real.

El veterinario termina viendo zonas distintas destacadas en imágenes consecutivas del mismo animal, sin poder determinar si esa variación refleja algo biológicamente significativo o es ruido del sistema.

SHIC-XE proyecta la atención del modelo sobre una representación 3D del caballo

La solución consiste en asociar cada píxel de cada fotograma con un punto sobre un modelo tridimensional fijo del rostro equino. Cuando el caballo gira la cabeza o se aleja, la herramienta sigue vinculando la atención del sistema con la misma zona de la cara, porque trabaja sobre esa representación espacial constante.

La información de múltiples fotogramas se acumula sobre una superficie coherente y la explicación final no depende del ángulo de filmación ni del movimiento del animal.

El sistema fue probado sobre tres grupos de caballos con mecanismos distintos de dolor: postquirúrgico, inflamatorio y ortopédico, y mecánico agudo. La precisión de la clasificación superó el 67% en todos los casos, con un máximo del 80%, lo que indica un rendimiento robusto en escenarios clínicos variados.

La IA y los veterinarios prestan atención a las mismas zonas de la cara

La validación más relevante no es cuántas veces acierta el sistema, sino si mira donde corresponde. Los investigadores compararon las zonas que la inteligencia artificial privilegia con las que los veterinarios consideran indicativas de dolor según la Escala de Expresión Facial Equina, una herramienta validada que evalúa los movimientos musculares del rostro del caballo.

El análisis encontró coincidencias en las orejas y los músculos de las mejillas. Los ojos mostraron una divergencia, lo que sugiere que humanos y sistema ponderan esa zona de forma diferente.

“Esta es la primera validación cuantitativa de este tipo, que demuestra que el modelo no solo llega a la conclusión correcta, sino que también se concentra en las regiones anatómicamente relevantes al tomar esa decisión”, afirmó Feighelstein según el comunicado de prensa. “Esto nos acerca a abrir la ‘caja negra’ de la inteligencia artificial, al mostrar no solo lo que el modelo decide, sino si las pruebas que usa tienen sentido para los expertos”, agregó.

Aunque desarrollado para equinos, el marco es aplicable a cualquier dominio que requiera coherencia espacial entre imágenes y modelos físicos. En medicina humana, los autores señalan posibles usos en la evaluación del dolor en recién nacidos, el monitoreo de pacientes sedados en cuidados intensivos y el análisis de trastornos neurológicos.

“Cuando comenzamos a estudiar el reconocimiento del dolor en animales, el objetivo era darles una voz”, afirmó Feighelstein según el comunicado de prensa. “Con el tiempo, nos dimos cuenta de que un desafío igualmente importante es garantizar que esa voz sea confiable: que explique no solo que el dolor está presente, sino también por qué el sistema llegó a esa conclusión”, concluyó.