Knowledgebase · Pferdewissen

Der Einsatz künstlicher Intelligenz im Pferdebereich

Künstliche Intelligenz klingt oft nach etwas sehr Abstraktem. In der Pferdemedizin gibt es aber bereits konkrete Anwendungen: KI kann beispielsweise Bilder von Pferdeaugen auswerten oder Bewegungen aus Videos analysieren. Die drei Studien von May et al. [1], Feuser et al. [2] und Wang et al. [3] zeigen dabei ganz unterschiedliche Einsatzmöglichkeiten. Gemeinsam ist ihnen, dass die KI nicht einfach „das Pferd versteht“, sondern anhand von zuvor bereitgestellten Daten bestimmte Muster erlernt und anschließend auf neue Bilder oder Videos anwendet.

Von künstlicher Intelligenz zu Deep Learning

Künstliche Intelligenz ist zunächst der Oberbegriff. Eine wichtige Untergruppe ist das Machine Learning, bei dem ein Modell anhand von Daten Muster erlernt. Deep Learning wiederum ist eine Form des Machine Learnings, bei der tiefe neuronale Netzwerke eingesetzt werden. Für Bild- und Videoanalysen sind insbesondere sogenannte Convolutional Neural Networks (CNNs) interessant. Sie können Merkmale aus Bilddaten extrahieren und anschließend für eine bestimmte Aufgabe verwenden [1–3]. Genau solche Verfahren kamen auch in den drei untersuchten Studien zum Einsatz.

KI kann Erkrankungen auf Bildern erkennen

May et al. [1] untersuchten, ob sich künstliche Intelligenz zur Unterscheidung verschiedener Augenerkrankungen beim Pferd einsetzen lässt. Dafür wurden Fotos von Pferdeaugen in drei Kategorien eingeteilt:

• Uveitis
• andere Augenerkrankungen
• gesunde Augen

Für das Training wurden 2.346 Bilder verwendet. Durch sogenannte Datenaugmentation wurden daraus 9.384 Trainingsbilder. Zusätzlich standen 261 unveränderte Bilder zur Validierung zur Verfügung. Die Forschenden verglichen verschiedene neuronale Netzwerkarchitekturen. Das letztlich verwendete VGG19-Modell erreichte nach dem Fine-Tuning eine Genauigkeit von 99,82 % auf den Trainingsdaten und 96,66 % auf den Validierungsdaten. Interessant ist dabei auch die Einschränkung der Studie: Die Autor:innen weisen auf eine mögliche Selektionsverzerrung hin. Eine größere Pupille kam beispielsweise häufiger bei erkrankten Augen vor, weil bei diesen Pferden teilweise Mydriatika eingesetzt worden waren. Die Studie zeigt damit nicht nur, dass KI Bilder klassifizieren kann. Sie zeigt auch, wie wichtig es ist, welche Daten ein Modell während des Trainings zu sehen bekommt [1].

Bei der Ganganalyse wird die Aufgabe etwas komplexer. Hier geht es nicht um ein einzelnes Bild, sondern um die Bewegung des Pferdes über viele Videobilder hinweg. Feuser et al. [2] untersuchten deshalb einen Ansatz, bei dem Pose Estimation eingesetzt wird. Dabei werden definierte anatomische Orientierungspunkte im Videobild erkannt und ihre Positionen über die Zeit verfolgt. Für ihre Untersuchung verwendeten sie 58 Referenzpunkte am Pferdekörper. Dazu gehörten unter anderem Punkte am Kopf, an den Vorder- und Hintergliedmaßen sowie am Rumpf. Das Modell wurde mit DeepLabCut trainiert. Dafür wurden 454 Einzelbilder aus 215 Videos manuell beschriftet. Auf jedem Bild wurden die zuvor definierten Referenzpunkte markiert. Anschließend konnte das trainierte Modell diese Punkte in neuen Videobildern erkennen und daraus Bewegungsverläufe erzeugen. Bei den Vordergliedmaßen konnten die Bewegungsverläufe von Kopf und Vordergliedmaßen zur Unterscheidung zwischen lahmen und nicht lahmen Pferden verwendet werden. In der untersuchten Stichprobe erreichte die auf diesen Referenzpunkten basierende Klassifikation eine Sensitivität und Spezifität von jeweils 100 %. Bei der Hinterhandlahmheit war das Ergebnis weniger eindeutig. Der Bereich des Knies zeigte sich als vielversprechender Referenzpunkt, während die Tubera coxae in dieser Untersuchung deutlich schlechter geeignet waren. Für die Hinterhandklassifikation lagen Sensitivität und Spezifität des Knie-Modells bei 88,9 % beziehungsweise 87,5 %, während das Modell auf Basis der Tubera coxae nur 33,3 % Sensitivität und 62,5 % Spezifität erreichte.Die Autoren bezeichnen den Ansatz deshalb als vielversprechend, betonen aber gleichzeitig, dass für eine weitere Entwicklung größere Datensätze notwendig sind [2].

Auch markerloses Tracking ist möglich

Einen ähnlichen Ansatz verfolgten Wang et al. [3] bereits 2021. Auch hier wurde untersucht, ob sich Pferdebewegungen aus Videos ohne am Pferd befestigte Marker mit Deep Learning erfassen lassen. Für die Untersuchung standen zunächst 39 Pferdevideos der University of Melbourne zur Verfügung, darunter 17 lahmfreie und 22 lahme Pferde. Insgesamt wurden 75 Videos aus seitlicher, frontaler und hinterer Perspektive aufgenommen. Ergänzend wurden weitere Videos verwendet, sodass schließlich Material von 133 Pferden zur Verfügung stand. Die Forschenden testeten verschiedene Verfahren zur Erkennung von Körperteilen. DeepPoseKit und YOLOv3 konnten die Körperhaltung und Bewegungsbahn in diesem Datensatz nicht ausreichend erfassen. Anschließend wurde DeepLabCut eingesetzt. Auch hier mussten die gewünschten Körperpunkte zunächst von Menschen auf Bildern markiert werden. Das trainierte Modell konnte anschließend die Position dieser Punkte in den Videobildern vorhersagen und daraus Bewegungsbahnen ableiten. Wang et al. [3] nutzten diese Bewegungsbahnen anschließend zur Klassifikation von Lahmheit. Ihr Modell erreichte in ihrer Untersuchung bei der Analyse aus der Frontalansicht eine Genauigkeit von über 91 % mit dem verwendeten J48-Klassifikator. Die Autor:innen sehen darin einen Machbarkeitsnachweis für die markerlose Analyse von Pferdebewegungen. Gleichzeitig nennen sie selbst die Menge und Qualität der verfügbaren Videos sowie die weitere Analyse der Bewegungsbahnen als wichtige Punkte für zukünftige Untersuchungen [3].