Stora framsteg görs idag inom humanmedicinsk diagnostik med hjälp av artificiell intelligens (AI), som bland annat används för att tolka ultraljud och röntgenbilder. Inom veterinärmedicin har dock AI ännu inte fått samma genomslag. Målet med det här projektet var att utforska nya kreativa metoder för att detektera hälta hos häst genom automatiska analyser av videofilm.
Ortopediska skador är det största hälsoproblemet hos hästar och innebär stort lidande för djuren och stora kostnader för djurägare. Därför är det ett prioriterat område för förbättrad veterinärmedicinsk diagnostik. Det här projektet innebar ett första steg mot en framtid där AI används för att underlätta tidig upptäckt av ortopediska skador.
Studier har visat att det är svårt att visuell bedöma om hästar haltar, även för erfarna veterinärer. Hältbedömning kräver en mycket komplex mönsterigenkänning där det mänskliga seendet har begränsningar i tolkning och tidsupplösning. Dagens analyser använder bara en bråkdel av tillgänglig information, vilket ger en förenklad tolkning av rörelsemönstret. AI skulle öppna nya möjligheter till diagnostiska framsteg genom en komplex, självlärande mönsterigenkänning. SLU har en unik databas med videodata från halta och ohalta hästar som utgör en perfekt träningsmöjlighet för en dator som ska lära sig att klassificera hälta.
AI-diagnostik skulle så småningom kunna användas för att skapa allt från stora system för välfärdsövervakning av kor till appar för mobiltelefoner som används av privata hästägare.
Inom projektet skapades en första tredimensionell modell av hästar utifrån video med hjälp av artificiell intelligens (AI).
- Datorn skulle sedan träna på att hitta hälta hos hästarna, vilket visade sig vara svårt. Vi insåg att 3D-modellen måste förbättras ordentligt för att datorn ska kunna göra en korrekt analys av rörelsemönstret. Därför har vi nu startat ett doktorandprojekt på KTH för att förbättra hästmodellen.
I framtiden kommer den här metoden ge oss fantastiska möjligheter till intelligent datoranalys av djurens kroppsspråk och rörelsemönster, berättar Elin Hernlund, forskare vid SLU.
Projektet har resulterat i en manuellt klassificerad rörelsedatabas, den första på SLU, som kan fortsätta att utforskas med dessa metoder. Studien ledde också till erhållna medel från Max Planck Institutet och KTH för ett doktorandprojekt för att fortsätta arbetet 2020–2024.
Inom projektet har ett masterprojekt genomförts av Ci Li.
Arbetet kommer nu att fortsätta med att förfina modellen ytterligare för att sedan applicera den på större volymer av data från SLU för att göra nya försök att klassificera hälta utifrån video.
Även forskare och doktorander från Max Planck-institutet i Tyskland och UC Davis i USA medverkar i projektet.
Projektet, som påbörjades 2018 och pågick ett år, finansierades av SLU Future One Health (då Framtidens djur, natur och hälsa), som stöder framtidsinriktad tvärvetenskaplig forskning inom One Health - god hälsa och välfärd för människor och djur i hållbara ekosystem.
Läs mer om SLU Future One Health, aktuella forskningsprojekt och kommande utlysningar.
Elin Hernlund
Klinikveterinär, Postdoktor vid Institutionen för anatomi, fysiologi och biokemi (AFB); Avdelningen för anatomi och fysiologi
Telefon: 018-672142
E-post: elin.hernlund@uds.slu.se