Development and validation of PainFace, a software platform that simplifies and standardizes mouse grimace analyses
Notice bibliographique
Résumé
Abstract Facial grimaces are now commonly used to quantify spontaneous pain in mice and other mammalian species, but scoring remains subjective and relies on humans with very different levels of proficiency. Here, we developed a Mouse Grimace Scale (MGS) for black-coated (C57BL/6) mice consisting of four facial action units (orbitals, nose, ears, whiskers). We used this scale to generate ground truth data from over 70,000 images of black mice in different settings. With this large data set, we developed a deep neural network and cloud-based software platform called PainFace ( http://painface.net ) that accurately scores facial grimaces of black mice on a 0–8 scale. PainFace generates over two orders of magnitude more MGS data than humans can realistically achieve, and at superhuman speed. By analyzing the frequency distribution of grimace scores, we found that mice spent >7x more time in a high grimace state following laparotomy surgery relative to sham surgery controls. The analgesic carprofen reduced the amount of time animals spent in this high grimace state after surgery. Specific facial action unit score combinations were overrepresented following laparotomy surgery, suggesting that characteristic facial expressions are associated with a high grimace state. We performed validation experiments in two labs located in different countries to demonstrate reproducibility of the PainFace platform. To further enhance rigor and reproducibility, we will invite pain researchers to beta test PainFace and then incorporate their feedback into the software and manuscript prior to peer review. While this study is focused on mice, PainFace was designed to simplify, standardize, and scale up grimace analyses with many other mammalian species, including humans.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».