基于深度学习的动物行为分析：来自小鼠慢性疼痛模型的洞见
计算机视觉与模式识别
2025-08-08 v1
摘要
评估小鼠慢性疼痛行为对于前临床研究至关重要。然而，现有方法大多依赖手动标注行为特征，人类难以明确哪些行为最能代表慢性疼痛。因此，现有方法难以准确捕捉慢性疼痛中隐性且持续的行为变化。本研究提出一种框架，自动发现与慢性疼痛相关的特征，无需依赖人类定义的动作标签。该方法采用通用动作空间投影器自动提取小鼠行为特征，通过保留原始视频中丰富的行为信息，避免人工标注可能带来的偏见。本文还收集了一个小鼠疼痛行为数据集，覆盖神经性疼痛和炎性疼痛在多个时间点上的疾病进程。该方法在15类疼痛分类任务中实现48.41%的准确率，显著优于人类专家（21.33%）和广泛使用的方法B-SOiD（30.52%）。当分类简化为仅三类（神经性疼痛、炎性疼痛和无疼痛）时，本方法准确率达73.1%，明显高于人类专家（48%）和B-SOiD（58.43%）。此外，在零样 Gabapentin 药物测试中，我们的方法揭示了不同类型疼痛对不同药物疗效的差异，结果与过去的药物疗效文献一致。这一研究表明，我们的方法具有潜在的临床应用价值，为痛感研究及相关药物开发提供了新的视角。
引用
@article{arxiv.2508.05138,
title = {Deep Learning-based Animal Behavior Analysis: Insights from Mouse Chronic Pain Models},
author = {Yu-Hsi Chen and Wei-Hsin Chen and Chien-Yao Wang and Hong-Yuan Mark Liao and James C. Liao and Chien-Chang Chen},
journal= {arXiv preprint arXiv:2508.05138},
year = {2025}
}