眉头一皱，疼痛自现：AI如何通过面部表情评估头痛强度

一项新发表在NPJ数字医学的研究表明，通过分析面部表情中的微妙动作单元，深度学习模型可以准确估计患者的头痛强度，这对难以口头表达疼痛的患者群体具有重要意义。

背景

头痛是全球最常见的神经系统疾病之一，也是患者就诊时最常见的主诉。然而，评估患者的疼痛强度主要依赖于患者的主观报告，如视觉模拟量表（VAS）。这种方法存在明显局限：儿童、老年患者、认知障碍患者或意识不清的患者可能难以准确表达自己的疼痛感受。此外，患者的主观报告易受心理因素、文化背景和语言能力的影响，可能不够客观。

近年来，随着人工智能和面部识别技术的进步，研究人员开始探索使用面部表情作为评估疼痛强度的客观指标。人在体验疼痛时会产生特定的微表情和肌肉收缩，这些变化可以通过深度学习模型进行检测和量化。本研究创新性地引入APEX帧方法——捕捉面部表情中疼痛相关的峰值时刻，以提高分析的准确性和效率。

主要发现

• 头痛强度指数（HPII）与患者自报的VAS疼痛评分呈现中等正相关（相关系数r = 0.413-0.522），特别是在中度到重度疼痛患者中（VAS ≥3）表现更佳。
• 结合APEX帧选择、Q1过滤和VAS ≥3阈值时，相关性最高（r = 0.45-0.55），表明该方法在特定患者群体中表现最优。
• 在分析的众多面部动作单元中，AU7（眼睑收紧）与头痛强度的关联最密切，尤其在较低分位数处（Q1、Q2的r ≥ 0.40），说明眯眼是头痛时最明显的面部生理反应。
• APEX帧方法仅需分析约25%的视频数据，就能达到与完整数据分析相当的准确性，大幅降低计算成本，同时提高了噪声抑制效果和分析效率。
• 面部视频分析无需外部刺激，可以在患者自然状态下进行，为监测头痛强度提供了一种便捷、非侵入式的方法。

临床意义

这项研究的最大意义在于为临床医生提供了一个客观、非言语的疼痛评估工具。对于存在表达困难的患者群体——包括老年患者、认知功能障碍患者、语言障碍患者——这种基于面部表情的评估方法特别有价值。它使医生能够跨越语言和认知障碍，更准确地理解患者的真实疼痛状态。

此外，该方法支持头痛患者的纵向随访和治疗效果监测。患者可以在家中通过摄像头进行远程监测，医生能够追踪治疗前后的疼痛变化，这对于优化用药方案和评估治疗效果至关重要。在远程医疗和居家健康监测日益普遍的背景下，这种非接触式的评估方法具有很强的实用价值。

值得注意的是，AU7与头痛强度的高相关性不仅为临床观察提供了科学依据，还可能为痛觉神经生物学研究提供新的切入点，帮助理解头痛时面部的神经-肌肉反应机制。

局限性

虽然研究结果令人鼓舞，但重要的是要认识到其局限性。首先，研究样本相对较小（80名患者），且仅在特定人群中进行，结果的普遍适用性仍需在更大规模、多中心的研究中验证。其次，模型的可重复性评分较低，这意味着其他研究团队在复现该方法时可能面临挑战。

更重要的是，虽然面部表情分析显示出良好的相关性，但中等水平的相关系数（r = 0.413-0.522）表明面部表情只能解释疼痛强度的一部分变异。这反映了疼痛作为一种复杂的生物-心理-社会现象，无法仅通过单一的生理指标完全解释。

因此，该方法不应作为独立的诊断或评估工具使用。相反，应将其整合到多模态的疼痛评估框架中，与其他生物信号监测、患者自报测量和临床医学判断相结合。只有这样，才能更全面、准确地评估患者的疼痛状态，为临床决策提供坚实的依据。

Original paper: An exploratory study of headache pain intensity using facial expressions and APEX frames. — NPJ digital medicine. 10.1038/s41746-026-02617-2

🎧 收听播客