将人类注释和机器学习模型进行比较,以优化斑马鱼在分析中的行为分类
Barbara D Fontana1, Camilla W Pretzel2, Mariana L Müller2
1Laboratory of Experimental Neuropsychobiology, Department of Biochemistry and Molecular Biology, Federal University of Santa Maria, Santa Maria, RS, Brazil; Graduate Program in Biological Sciences, Toxicological Biochemistry, Federal University of Santa Maria, Santa Maria, RS, Brazil.
Journal of neuroscience methods
|October 23, 2025
概括
监督机器学习 (ML) 算法准确地分类斑马鱼的行为,在一致性方面超过人类注释者. 然而,时间聚合方法可以掩盖对详细表型化至关重要的关键短暂行为.
科学领域:
- 行为神经科学 行为神经科学
- 机器学习应用程序 机器学习应用程序
- 动物行为分析 动物行为分析
背景情况:
- 准确的行为注释在神经科学中至关重要但具有挑战性.
- 手动评分是耗时的,可变的,容易错过短暂的行为.
- 监督机器学习 (ML) 提供自动化,一致和更少偏见的行为分类.
研究的目的:
- 为了将多个监督的ML算法与专家人类注释对象进行基准测试,以确定斑马鱼类似发作的行为.
- 评估框架级分析,后处理过器和块级时间聚合对行为分类准确性的影响.
- 将基于ML的行为表型的可复制性和可扩展性与传统的手动评分进行比较.
主要方法:
- 基准测试了五种ML算法:随机森林,XGBoost,支持矢量机,k-最近邻居和多层感知器 (MLP).
- 利用了12名专家评分员对12个成年斑马鱼的43000多个手动注释的视频.
- 应用框架级分析,行为信息过器和块级时间聚合以进行评估.
主要成果:
- 机器学习算法,特别是随机森林,XGBoost和MLP,在分类斑马鱼行为方面取得了很高的准确性.
- 对于模两可的行为,注释变化率最高,突出了人类注释者面临的挑战.
- 后处理过器通过减少假阳性来改善分类,而时间平滑提高了整体准确性,但掩盖了短暂的行为.
结论:
- 监督的ML为斑马鱼的自动行为分析提供了一个强大的工具,比手工得分提供了优势.
- 选择时间分辨率和分类策略显著影响行为表型的可重现性和可解释性.
- 这项研究提供了对优化ML模型的见解,以在神经科学研究中提供强大的和可扩展的行为注释.
