Mehr Tierwohl im Labor: KI hilft, Schmerzen besser zu erkennen

Die Überwachung von Schmerz und Wohlbefinden ist für Tierversuche unerlässlich. Doch die derzeitigen Einschätzungen sind subjektiv und oft ungenügend. Ein neu von der ETH Zürich entwickeltes System namens „Grimace“ standardisiert die Überwachung von Wohlbefinden und Schmerz bei Mäusen. Findet das Verfahren weltweite Anwendung, könnte es einen Meilenstein für das Wohl von Versuchstieren bedeuten.

Es nutzt maschinelles Sehen und Lernen für eine automatische Beurteilung des Gesichtsausdrucks und der Körperhaltung von Versuchstieren und hilft so, das Tierwohl grundlegend zu verbessern.

Objektives Messverfahren macht Sinn ‒ Menschliches Urteil ist subjektiv

Auf den ersten Blick ähnelt die weisse Plastikkiste mit knallorangem Boden einer Aufbewahrungsbox für Kinderspielzeug. In die Kiste kommen aber keine Legosteine, sondern echte Mäuse – mit dem Ziel, dass sie möglichst wenig leiden. „Diese Kiste ermöglicht eine schonende und einheitliche Beobachtung von Versuchstieren, egal, ob wir das hier in Zürich tun oder Forschende am anderen Ende der Welt“, sagt Oliver Sturman, Leiter des 3R-Hubs. Der Hub ist die Anlaufstelle der ETH Zürich in Fragen zu 3R, den drei Tierversuchs-Prinzipien „Ersetzen, Reduzieren und Verfeinern“ (siehe Box).

Zu Demonstrationszwecken setzt Sturman eine schwarze Plastikmaus in die Kiste. Im Innern der Kiste, deren Vorderwand und Dach aus schwarzer Folie bestehen, ist es komplett dunkel. „Das ist wichtig, damit sich die Tiere wohl und unbeobachtet fühlen“, sagt der Neurowissenschaftler. „Wenn man sie zum ersten Mal in die Kiste setzt, schnüffeln sie herum und erkunden die Umgebung, ein natürliches Verhalten. Mit der Zeit gewöhnen sie sich an die Box und schlafen auch mal ein.“

Zwei Kameras – eine von oben, eine von vorne – filmen durch die Folie das Geschehen im Inneren. Eine Infrarotlampe ermöglicht das Sehen im Dunkeln.

Schmerz im Gesicht ablesbar

Die beiden Kameras erfassen den Körper und das Gesicht der Maus automatisch und geben Hinweise darauf, wie das Tier sich fühlt. Dadurch lassen sich subtile Anzeichen von Schmerz und Unwohlsein erkennen, die sich häufig im Gesichtsausdruck von Nagetieren zeigen. Diese Anzeichen sind beispielsweise zusammengekniffene Augen, eine Wölbung von Nase und Wangen, eine veränderte Ohrenstellung oder die Ausrichtung der Schnurrhaare.

Ein Algorithmus wertet dann die Mimik der Maus in Echtzeit aus. Das neue System ermöglicht eine schnelle und präzise Beurteilung, ob die Tiere leiden und allenfalls mit zusätzlichen Schmerzmitteln versorgt werden müssen.

Bisherige Methode zeitaufwendig, subjektiv und ungenau

Schon bisher interpretierten Forschende die Mimik von Versuchstieren, um mögliches Leiden zu erkennen und darauf zu reagieren. Dazu wurde die sogenannte Mouse Grimace Scale entwickelt: Jedes der oben genannten Stressmerkmale wird auf einer Skala von 0 (nicht vorhanden), 1 (moderat vorhanden) bis 2 (stark ausgeprägt) bewertet.

Dazu beobachten Wissenschaftler die Tiere vom Käfigrand aus und vergleichen ihren Gesichtsausdruck mit entsprechenden Detailfotos auf Plakaten. Das ist zeitaufwendig und subjektiv.

Zudem ist eine Beurteilung von menschlichem Auge oft schwierig, weil sich das Gesicht der Maus möglicherweise nicht gut genug erkennen lässt. Und bei den Tieren kann die Beobachtung durch Menschen zusätzlichen Stress auslösen.

Wie ein Fotoautomat für Passfotos

Das neu entwickelte Grimace-System hingegen ermöglicht eine unmittelbare, schonende und objektive Beobachtung. Kaum ist die Maus in der Box, beginnen die Videoaufnahmen. Das System wählt automatisch die aussagekräftigsten Bilder aus und bewertet die Merkmale, die auf einen erhöhtes Mass an Schmerzen hindeuten könnten.

Automatisierte Ansätze zur Gesichtserkennung habe es bereits vorher gegeben, betont Sturman. „Was fehlte, war ein komplett standardisiertes End-to-End-System.“ Die Genauigkeit von Algorithmen lässt nach, wenn die Umgebung nicht identisch ist oder wenn die Kamera einmal näher, einmal weiter weg platziert wird.

Man könne das System mit einem Fotoautomaten für Passfotos vergleichen, sagt Sturman. „Diese Automaten sind ja auch immer gleich aufgebaut: Ein Hocker mit fixem Abstand zur Kamera, ein weißer Hintergrund sowie ein dunkler Vorhang – all das ist entscheidend für ein gelungenes Bild, egal wer den Automaten nutzt und wo.“

Für ein „Mehr“ an Objektivität: Ein Bausatz für alle

Das ganze System inklusive Software wurde von Mitarbeitern des 3R-Hubs entwickelt – und wird nun als Open-Source-Bausatz mit der ganzen Welt geteilt. „Die Idee ist, dass es möglichst viele Nutzende ohne Aufwand standardisiert zusammenbauen und anwenden können – und dass die Daten miteinander vergleichbar sind“, betont Sturman.

Wie bei allen Verfahren des maschinellen Sehens und Lernens wird das System kontinuierlich besser, wenn es mit mehr Bilddaten trainiert wird. „Je mehr Menschen Grimace nutzen, desto weniger Verzerrungen wird es geben.“

Test Maschine gegen Mensch

In einer Studie testeten Sturman und andere Forschende der ETH Zürich das neue System. Sie gingen der Frage nach, ob Grimace bei Labormäusen Schmerzen nach einer Hirnoperation automatisch und zuverlässig erkennen kann – und ob es dabei vergleichbare oder gar bessere Ergebnisse liefert als geschulte menschliche Beurteiler und Beurteilerinnen. Ihre Ergebnisse präsentieren sie in einem Paper, das jüngst im Magazin „Lab Animal“ erschienen ist.

Die Forschenden nahmen dazu Bilder von Mäusen vor und nach einer Gehirnoperation auf. Die Tiere erhielten nach der Operation verschiedene Schmerzmittel in Dosen, wie sie fachliche Richtlinien empfehlen. Die Mäuse wurden für einen anderen wissenschaftlichen Zweck operiert, und die Bewertung des Wohlergehens erfolgte parallel dazu.

Eine Expertin sichtete Tausende Bilder der Mäuse vor und nach der Operation wie gewohnt von bloßem Auge und gab ihre Einschätzung manuell ab. Parallel dazu ließen die Forschenden die Bilder vom Grimace-System bewerten. Ergebnis: Die automatischen Bewertungen stimmen sehr gut mit der Einschätzung der Expertin überein.

Drei Menschen, drei unterschiedliche Bewertungen

Die Forschenden verglichen ausserdem die Bewertungen von drei verschiedenen Personen miteinander. Ihre Bewertungen unterschieden sich deutlich.

Das liege jedoch nicht daran, dass die Experten schlecht gearbeitet hätten, so Sturman, sondern sei auf subjektive Beurteilung zurückzuführen. „Wir haben allen dreien heimlich dieselben Bilder zur Bewertung gegeben, um zu prüfen, ob sie in ihren eigenen Bewertungen schlüssig sind.“ Und das waren sie: Jede Person für sich bewertete die Bilder sehr konsistent. Eine Person vergab sowohl niedrige als auch hohe Bewertungen. Eine weitere Person neigte dazu, jedem Bild eine niedrigere Bewertung zu geben. Und die dritte Person wiederum bewertete alle Bilder höher.

„Hier liegt die Stärke des Computers, denn er liefert standardisierte Ergebnisse“, sagt Sturman. Für das Tierwohl sei eine konstante Bewertung wichtig, betont der Leiter des 3R Hubs. Dies sorge für eine angemessene Versorgung der Versuchstiere – in allen Laboren. „Wenn jemand immer so bewertet, dass keine Schmerzen vorliegen, leiden die Tiere unnötig. Und wenn jemand zu hohe Werte vergibt, besteht die Gefahr, dass Versuche unnötig abgebrochen werden.“

Neben der Gesichtsmimik analysierten die Forschenden in ihrer Studie zur Eignung des Grimace-Systems auch das Verhalten der Tiere. Dazu erfasste eine hochauflösende Kamera von oben verschiedene definierte Punkte des Mauskörpers. Merkmale wie wechselnde Abstände zwischen den einzelnen Punkten, Änderungen des Winkels zueinander oder Beschleunigungen gaben weitere Hinweise zum Zustand der Mäuse. Algorithmen für maschinelles Lernen suchen in solchen Daten nach kleinsten Unterschieden, die ein Mensch oft nur schwer erkennen kann.

Wissenschaftler weltweit zeigen Interesse

Grimace stosse, kaum lanciert, auf ein breites Interesse, sagt Sturman. „Wir haben bereits einige Mailanfragen aus aller Welt erhalten, zum Beispiel aus den USA und aus Großbritannien.“

Damit möglichst viele Forschende der ETH Zürich Zugang zum automatisierten System haben, hat der 3R-Hub kürzlich ein Grimace-System im ETH Phenomics Center (EPIC) installiert.

Die Mitarbeitenden des 3R-Hubs planen bereits eine Weiterentwicklung der Grimace-Technologie. Ob sie diese dann patentieren lassen und im Rahmen eines Spin-offs vertreiben, ist noch unklar. „Aktuell geben wir unser Wissen und unsere Technik im Rahmen von Kooperationen weiter und setzen auf den gegenseitigen Datenaustausch, um das System zu verbessern“, sagt Sturman. „Unser primäres Anliegen ist es, das Tierwohl zu stärken.“

Die 3R-Prinzipien

Die 3R-Prinzipien sind ein ethisches Konzept für Tierversuche. Die 3 R stehen für Replacement, Reduction und Refinement. Ziel ist es, den Einsatz von Tieren in wissenschaftlichen Versuchen zu minimieren, ihr Wohlbefinden zu maximieren und alternative Methoden zu fördern. Die ETH Zürich setzt die 3R-Prinzipien bei Tierversuchen um, forscht selbst zum Thema und hat 2024 den ETH 3R Hub gegründet, um die 3R-Forschungsbemühungen zu bündeln sowie Forschende zu beraten und zu unterstützen.

---

Website ETH 3R Hub:

https://ethz.ch/de/forschung/ethik-und-tierschutz/tierversuche/3r-prinzipien/3r-…