Obwohl es das Sprichwort „aus erster Hand“ gibt, ist es unmöglich, einem Pferd zu sagen, ob es Schmerzen hat oder Freude empfindet. Sein Körper wird die Antwort jedoch durch seine Bewegungen zum Ausdruck bringen. Für ein geschultes Auge manifestiert sich Schmerz als Veränderung des Gangs, oder im Falle von Freude können sich die Gesichtsausdrücke des Tieres ändern. Aber was wäre, wenn wir dies mit KI automatisieren könnten? Und was wäre mit KI-Modellen für Kühe, Hunde, Katzen oder sogar Mäuse?
Durch die Automatisierung des Tierverhaltens wird nicht nur die Voreingenommenheit des Beobachters beseitigt, sondern auch der Mensch kann effizienter zur richtigen Antwort gelangen.
Eine neue Studie markiert den Beginn eines neuen Kapitels in der Haltungsanalyse zur Verhaltensphänotypisierung. Das Labor von Mackenzie Mathis an der EPFL hat eine Naturkommunikation Artikel, der ein besonders effektives neues Open-Source-Tool beschreibt, das keine menschlichen Anmerkungen erfordert, damit das Modell Tiere verfolgen kann.
Das Gerät mit dem Namen „SuperAnimal“ kann automatisch und ohne menschliche Aufsicht die Position von „Schlüsselpunkten“ (normalerweise Gelenken) bei einer ganzen Reihe von Tieren – über 45 Tierarten – und sogar bei Fabeltieren erkennen.
„Die aktuelle Pipeline ermöglicht es den Benutzern, Deep-Learning-Modelle anzupassen, doch dann ist menschlicher Aufwand erforderlich, um Schlüsselpunkte bei jedem Tier zu identifizieren und einen Trainingssatz zu erstellen“, erklärt Mathis.
„Dies führt zu doppelten Kennzeichnungsbemühungen bei verschiedenen Forschern und kann zu unterschiedlichen semantischen Bezeichnungen für dieselben Schlüsselpunkte führen, was das Zusammenführen von Daten zum Trainieren großer Basismodelle sehr schwierig macht. Unsere neue Methode bietet einen neuen Ansatz zur Standardisierung dieses Prozesses und zum Trainieren großer Datensätze. Außerdem ist die Kennzeichnung 10- bis 100-mal effektiver als aktuelle Tools.“
Die „SuperAnimal-Methode“ ist eine Weiterentwicklung einer Posenschätzungstechnik, die Mathis‘ Labor bereits unter dem Namen „DeepLabCut️“ vertrieben hatte.
„Hier haben wir einen Algorithmus entwickelt, der in der Lage ist, eine große Menge an Anmerkungen aus Datenbanken zusammenzustellen und das Modell zu trainieren, eine harmonisierte Sprache zu lernen – wir nennen dieses Vortraining das Basismodell“, erklärt Shaokai Ye, Doktorand und Erstautor der Studie. „Anschließend können Benutzer unser Basismodell einfach einsetzen oder es anhand ihrer eigenen Daten feinabstimmen, sodass bei Bedarf weitere Anpassungen vorgenommen werden können.“
Diese Fortschritte werden die Bewegungsanalyse wesentlich zugänglicher machen. „Vereinigte Tierärzte könnten besonders interessiert sein, ebenso wie diejenigen in der biomedizinischen Forschung – insbesondere, wenn es darum geht, das Verhalten von Labormäusen zu beobachten. Aber es kann noch weiter gehen“, sagt Mathis und erwähnt Neurowissenschaften und … Sportler (Hunde oder andere). Andere Arten – Vögel, Fische und Insekten – sind ebenfalls im Rahmen der nächsten Entwicklung des Modells.
„Wir werden diese Modelle auch in natürlichen Sprachschnittstellen nutzen, um noch zugänglichere und zukunftsweisende Tools zu entwickeln. So haben Shaokai und ich beispielsweise zusammen mit unseren Co-Autoren an der EPFL kürzlich AmadeusGPT entwickelt, das kürzlich bei NeurIPSdas die Abfrage von Videodaten mit geschriebenem oder gesprochenem Text ermöglicht.“
„Dies für komplexe Verhaltensanalysen zu erweitern, wird sehr spannend.“
SuperAnimal ist jetzt für Forscher weltweit über seine Open-Source-Distribution verfügbar (github.com/DeepLabCut).
Mehr Informationen:
Vortrainierte SuperAnimal-Modelle zur Posenschätzung für Verhaltensanalysen, Naturkommunikation (2024). DOI: 10.1038/s41467-024-48792-2