Pränataler Stress bei Sauen kann das Wachstum und die Entwicklung der Ferkel beeinträchtigen, ihre Stressempfindlichkeit erhöhen und ihr Immunsystem schwächen. Bislang fehlen jedoch praktische Methoden, um pränatalen Stress bei den Sauen und ihren betroffenen Nachkommen zu erkennen. Ein vielversprechender Ansatz nutzt Computer-Vision-Techniken, um Stress anhand von Gesichtszügen automatisch zu erkennen und bietet so ein potenziell skalierbares Werkzeug für den Einsatz in landwirtschaftlichen Betrieben.
Eine Studie in Schottland untersuchte mithilfe dieser Technologie, ob stressbedingte Gesichtsmerkmale bei Sauen erkannt und ähnliche Merkmale bei ihren Nachkommen identifiziert werden können. Die Studie umfasste über 7000 Gesichtsbilder von sechs Gruppen mit jeweils 18 Sauen und 53 Töchtern. Zunächst wurden Bilder der Sauengesichter aufgenommen, als die Sauen ihre jeweiligen Futterplätze betraten. Weitere Bilder wurden am 70. und 90. Trächtigkeitstag während Futterkonkurrenztests aufgenommen. Speichelcortisolwerte und Verhaltensreaktionen, die während dieser Tests erfasst wurden, dienten zur Klassifizierung der Sauen in Gruppen mit niedriger (LR) und hoher (HR) Stressreaktion. Fünf Deep-Learning-Modelle wurden anhand von Sauendaten trainiert, um LR und HR bei den Töchtern zu klassifizieren. Es wurde eine generationsübergreifende Validierungsstrategie angewendet. Das bedeutet, dass die Töchter nie mit einem Modell evaluiert wurden, das mit den Daten ihrer biologischen Mutter trainiert worden war. Dadurch wurde sichergestellt, dass die identifizierten Merkmale tatsächlich stressbedingt waren und nicht auf familiäre Ähnlichkeit zurückzuführen sind.
Die Ergebnisse zeigten, dass der Vision Transformer (ViT) von den fünf verwendeten Deep-Learning-Modellen mit einer durchschnittlichen Genauigkeit von 0,78 und einem F1-Score (ein Maß für Präzision und Trefferquote) von 0,76 bei der Klassifizierung von LR und HR durchgehend die beste Leistung erbrachte. Dies galt für alle Trainingsdurchgänge trotz der Variabilität zwischen den Durchgängen, was darauf hindeutet, dass es sich um ein zuverlässiges und generalisierbares Modell handelt. Der ViT konzentrierte sich zudem konsequent auf Augen, Schnauze und Ohren, die biologisch relevant für den Gesichtsausdruck von Stress sind, während andere Modelle dies nicht taten. Dies zeigt das Potenzial der aussagekräftigen Erkennung stressbedingter Gesichtsmerkmale bei Schweinen. Diese kann zur Früherkennung und zum Management stressanfälliger Tiere beitragen, um deren Wohlbefinden zu gewährleisten und potenziell den Antibiotikaeinsatz zu reduzieren.
Yunas SU, Shahbaz A, Baxter EM, Rutherford KMD, Hansen MF, Smith ML, Smith LN (2025) A deep learning framework for detecting cross-generationalfacial markers associated with stress in pigs. Agriculture 15(21):2253
