Ett nytt AI-baserat system håller på att förändra hur veterinärer kan förstå och tolka hästars rörelsemönster. Genom att kombinera 3D-rörelseanalys med avancerad maskininlärning får djursjukvården ett kraftfullt stöd för att upptäcka smärta och beteendeförändringar i ett tidigt skede. Bakom tekniken står forskare vid KTH och Sveriges lantbruksuniversitet (SLU).

Det är ofta genom subtila förändringar i hållning, viktfördelning eller mimik som en häst visar att något inte står rätt till. För att förbättra möjligheten att upptäcka dessa signaler utvecklar nu forskare ett digitalt verktyg som kan hjälpa veterinärer att fånga upp vad hästen försöker säga – innan problemen blir allvarliga.

Plattformen, som utvecklas av forskargrupper vid KTH och SLU, bygger på AI och 3D-modellering. Med hjälp av filmsekvenser kan systemet – kallat DESSIE – återskapa hästens exakta rörelsemönster och visa förändringar som annars kan vara svåra att upptäcka i klinisk miljö.

– Hästar är kraftfulla men ömtåliga djur, och de kommunicerar hur de mår genom sitt kroppsspråk. Genom att analysera deras rörelsemönster kan vi exempelvis upptäcka om de avlastar smärta, säger Elin Hernlund, docent i biomekanik vid SLU och kliniker inom hästortopedi, i en artikel från KTH.

AI som ser det ögat kan missa

DESSIE använder en teknik som kallas disentangled learning, vilket innebär att AI:n kan skilja ut relevanta detaljer i rörelserna trots exempelvis varierande ljus eller bakgrundsbrus. Det gör analysen mer tillförlitlig och användbar även i fält eller i stallmiljö.

– Det här är det första exemplet på disentangled learning i 3D-modeller för djurrörelser, säger Hedvig Kjellström, professor i datorseende och maskininlärning vid KTH.

Teknologin är tillräckligt detaljerad för att till och med kunna tolka hästars ansiktsuttryck – något som kan ge värdefull information om deras mående och känslotillstånd. Forskarna beskriver det som en digital röst för hästen.

– Vi har skapat ett sätt för dessa djur att bryta igenom kommunikationsbarriären mellan djur och människor och berätta hur de mår, säger Elin Hernlund.

Klinisk potential och framtida utveckling

Forskargruppen fortsätter att utveckla DESSIE genom att träna AI-modellen med bilder av fler hästraser och storlekar. Målet är att koppla genetik till fenotyper och få en djupare förståelse för hästars biologiska struktur.

– För att lyckas med detta ber vi uppfödare att skicka in bilder på sina hästar så att vi kan fånga så stor variation som möjligt, säger Elin Hernlund.

Tekniken öppnar också för framtida forskning där genetiska faktorer kan kopplas till rörelsemönster, med målet att fördjupa kunskapen om hästars biologiska förutsättningar.

Källa: KTH