使用深度学习对老鼠养殖的自动分析
Naoaki Sakamoto1, Masahiro Fukuda2, Yusuke Miyazaki1
1Animal Radiology, Graduate School of Agricultural and Life Sciences, The University of Tokyo, Tokyo, Japan.
Journal of pharmacological sciences
|July 26, 2025
概括
这项研究引入了一种新的卷积循环神经网络 (CRNN) 模型,用于自动检测视频中的老鼠养殖行为. 人工智能模型准确地量化了动物探索和焦虑指标,与人类分析相比.
科学领域:
- 神经科学和行为科学.
- 在生物研究中的人工智能.
背景情况:
- 动物养殖行为是评估动物模型中焦虑和探索倾向的关键指标.
- 准确量化抚养对于行为神经科学研究至关重要.
研究的目的:
- 开发和验证一个卷积循环神经网络 (CRNN) 模型,用于自动检测小鼠养殖行为.
- 评估模型与人类观察的性能及其检测行为变化的能力.
主要方法:
- 在不同的光线条件下收集了C57BL/6小鼠的头部视频.
- 在监督学习中,对培养事件进行了手动框架对框架的标记.
- 使用标记的行为数据训练了一个CRNN模型.
- 在独立测试数据集上使用灵敏度指标评估模型性能.
主要成果:
- 该CRNN模型获得了89.2%的灵敏度,其表现与人类观察者相当.
- 该模型在服用咖啡因后成功检测出增加的养殖行为.
- 该模型在小鼠中区分了白天和夜间活动模式.
结论:
- 开发的CRNN模型提供了一种可靠和自动化的方法来量化小鼠的养殖行为.
- 这种人工智能驱动的方法可以提高临床前研究中的行为评估的效率和客观性.
- 该模型检测药理效应和昼夜变化的能力突显了它在神经科学研究中的实用性.
