鞘翅之幻影——利用深度学习从隐翅虫图像中提取系统发育特征——掩码足够吗？

系统发育分析传统上依赖于劳动密集型的形态特征手动提取，这限制了其在大型数据集上的可扩展性。深度学习的最新进展为自动化这一过程提供了潜力，但不同形态特征表示在系统发育特征提取中的有效性仍不甚明了。在本研究中，我们比较了使用三种不同形态特征表示的深度学习模型的性能——完整分割、二值掩码和甲虫轮廓的傅里叶描述符。我们在 Rove-Tree-11 数据集上对此进行了测试，该数据集包含来自 215 个隐翅虫物种的精选图像。我们的结果表明，基于掩码的模型优于其他模型，在测试集上实现了 0.33 ± 0.02 的归一化 Align Score，而基于傅里叶的模型为 0.45 ± 0.01，基于分割的模型为 0.39 ± 0.07。基于掩码的模型的性能可能反映了其捕获形状特征的能力，同时利用了 ResNet50 架构的深度和容量。这些结果还表明，至少在这一甲虫群体中，背部纹理特征的系统发育相关性可能较低，尽管需要进一步的调查来证实这一点。相比之下，基于傅里叶的模型由于容量有限以及轮廓近似中的偶发不准确而受到影响，特别是在腿等精细结构中。这些发现强调了在自动化系统发育研究中选择合适形态特征表示的重要性，以及进一步研究自动形态特征提取可解释性的必要性。