ARBEL:一种具有基于光的图像分析的机器学习工具,用于对3D疼痛行为进行自动分类

科学领域:

• 神经科学是一个神经科学.
• 行为科学 行为科学
• 机器学习 机器学习

背景情况:

• 准确评估动物的疼痛行为对于了解疼痛机制和药物疗效至关重要.
• 当前的自动行为分析工具在量化微妙的疼痛反应 (如抽) 中缺乏精度.
• 现有的方法依赖于主观的人类观察,限制了可扩展性和客观性.

研究的目的:

• 开发和验证一种新的监督机器学习算法,用于自动,高精度的评分与疼痛相关的行为在自由移动的小鼠.
• 通过结合身体部分接触强度和距离表面的距离来解决当前自动行为分析的局限性.
• 为药物查和基础研究中的客观疼痛行为量化提供一个强大的开源工具.

主要方法:

• 开发了ARBEL (用光增强的自动识别行为),这是一个监督的机器学习算法.
• 集成的姿势估计与新的基于光的分析,以测量身体部位的压力和表面距离在3D.
• 利用自下而上的动物行为平台进行数据采集和算法验证.

主要成果:

• 阿尔贝尔精确地以高精度捕捉了小鼠的一系列与疼痛相关的行为发作.
• 该算法证明了在长时间内对客观疼痛行为评分的实用性.
• 验证了ARBEL对强大的药物查和定量行为研究的申请.

结论:

• 阿尔贝尔在自动化客观疼痛行为分析方面取得了重大进展,克服了现有方法的局限性.
• 这种开源算法为跨物种和平台的多样性行为研究提供了一个精确和可适应的工具.
• 阿尔贝尔促进了快速,高精度的评分,加速了疼痛研究和药物开发.