一个基于光的图像分析的机器学习工具,用于自动分类3D疼痛行为
Omer Barkai1, Biyao Zhang1, Bruna Lenfers Turnes1
1F. M. Kirby Neurobiology Center and Department of Neurology, Boston Children's Hospital, Boston, MA, USA; Department of Neurobiology, Harvard Medical School, Boston, MA, USA.
Cell reports methods
|August 28, 2025
概括
一种新的机器学习算法BAREfoot通过分析身体部位的接触和高度来自动检测小鼠的疼痛行为. 这种工具增强了药物查和行为分析,克服了当前姿势估计方法的局限性.
科学领域:
- 动物行为分析
- 生物中的机器学习
- 疼痛研究
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的有效性至关重要.
- 目前的自动行为分析工具,如姿势估计, 常常忽略微妙的疼痛指标,
- 这些行为是主观且劳动密集的.
研究的目的:
- 开发一种自动化的客观方法来检测自由移动的小鼠的疼痛相关行为.
- 解决现有的姿势估计算法在捕捉微妙的疼痛反应的局限性.
- 创建一种用于药物查和行为研究的多功能工具.
主要方法:
- 开发了BAREfoot (自动识别和评估行为),一个受监督的机器学习算法.
- 整合姿势估计与基于光的身体部位接触和高度的分析.
- 使用自下而上的动物行为平台来获取数据.
主要成果:
- 无脚精确地检测出小鼠的一系列与疼痛相关的行为.
- 该算法在强大的药物查应用中具有实用性.
- 在捕捉以前难以测量的微妙行为时验证了算法的性能.
结论:
- 提供精确和自动化的解决方案来检测动物的疼痛行为.
- 这种开源算法可以促进疼痛研究和药物开发.
- 该系统可以适应各种物种和实验设置,扩大其适用性.
