使用 DeepLabCut 的机器学习进行疼痛评估的定量轨道收紧
Saurav Gupta1, Akihiro Yamada1, Jennifer Ling1
1Department of Anesthesiology and Perioperative Medicine, School of Medicine, University of Alabama at Birmingham, Birmingham, AL 35294, United States.
Neurobiology of pain (Cambridge, Mass.)
|September 17, 2024
概括
本研究引入了一种使用机器学习的定量笑容尺度 (qGS),以客观地测量小鼠的疼痛. 这种新方法量化了轨道收紧,为临床前疼痛研究提供了更加一致和可靠的方法.
科学领域:
- 神经科学是一个神经科学.
- 动物模型 动物模型
- 疼痛研究 疼痛研究
背景情况:
- 在动物模型中进行疼痛评估对于开发新的止痛药至关重要.
- 疼痛评估的传统微笑尺度 (GS) 是主观的,而不是定量的.
- 面部表情,如轨道收紧 (OT),是动物疼痛的关键指标.
研究的目的:
- 为客观评估小鼠疼痛而开发定量化笑容尺度 (qGS).
- 为了利用机器学习 (DeepLabCut) 精确测量轨道收紧.
- 在小鼠的不同疼痛模型中验证qGS.
主要方法:
- DeepLabCut被用于在动物视频图像中注释眼边缘和canthus.
- 量化了眼距离和眼裂宽度,以测量轨道收紧.
- 在老鼠中验证了qGS,这些老鼠经历了素,激光刺激和氧化治疗的疼痛.
主要成果:
- 量化微笑尺度 (qGS) 成功测量了轨道收紧.
- 在疼痛的小鼠中观察到眼距离和眼裂宽度的显著缩短.
- 在各种疼痛诱导方法中,qGS证明了可靠性.
结论:
- 通过使用DeepLabCut. 建立了一种新的,定量化微笑尺度 (qGS) 来评估小鼠的疼痛.
- 该方法在临床前疼痛研究中为测量轨道收紧提供了一个客观和可靠的工具.
- 在动物模型中,qGS提高了疼痛评估的准确性和一致性.


