编辑推荐：
疼痛评估在医疗中至关重要，但临床疼痛估计的自动化系统稀缺。现有视觉模拟量表（VAS）依赖主观自报。研究人员开展基于面部视频的疼痛强度估计模型研究，开发并验证 EDi Pain 模型，在多数据集表现良好，有望用于临床实时疼痛评估。
疼痛评估是医疗护理的关键一环，然而，用于临床疼痛估计的自动化系统却十分少见。在急诊科（ED），视觉模拟量表（VAS）这类工具虽常用，却依赖患者主观自我报告，而且在分诊过程中，疼痛强度常常波动。一个有效的自动化系统，应当利用医疗专业人员给出的客观标注，并从视频序列中识别关键帧，以实现精准推断。
在这项研究中，短视频片段被视作模型的实例片段，视频层面则提供了由医生评定的 VAS 作为真实值（ground truth）。为解决弱标注问题，研究提出了灵活的多实例学习方法。通过专门的损失函数和采样策略，实例可评估模型 EDi Pain 得以训练，它在评估每个实例片段重要性的同时，还能估计疼痛强度。在推理阶段，整个视频的 VAS 疼痛评分由实例级预测得出。
研究使用公开的 UNBC - McMaster 数据集进行回顾性分析，EDi Pain 模型展现出与先前研究相比颇具竞争力的性能，在视频层面的疼痛强度估计中表现出色，平均绝对误差（MAE）为 1.85，皮尔逊相关系数（PCC）为 0.63。此外，研究还利用从台湾大学医院前瞻性收集的 931 例患者数据集对模型进行验证，得到的 MAE 为 1.48，PCC 为 0.22 。
总之，研究开发并验证了一种基于深度学习的新颖实例可评估模型 EDi Pain，用于通过面部视频估计疼痛强度。该模型在临床环境中的实时应用前景广阔，为疼痛评估提供了一种更为客观和动态的方法。
