编辑推荐：
在臭鼩（Suncus murinus）呕吐行为量化研究中，传统方法繁琐且易出错。研究人员开发自动呕吐检测（AED）工具，融合 3D 卷积神经网络与自注意力机制，总体准确率达 98.92% 。该成果提升效率与精度，为临床前研究和药物开发助力。
在医学研究的广袤领域中，呕吐这一常见现象一直备受关注。呕吐不仅是多种疾病的症状，也是药物治疗过程中常出现的副作用。长久以来，科学家们致力于探究呕吐的机制，并研发对抗呕吐的药物。在这个过程中，实验动物发挥着至关重要的作用。然而，常用的实验动物如大鼠和小鼠，天生缺乏呕吐反射，使得相关研究面临诸多困境。于是，臭鼩（Suncus murinus）逐渐进入了研究人员的视野，它具备呕吐反射，成为呕吐研究的 “潜力股”。
但对臭鼩呕吐行为的量化研究却困难重重。以往，主要依靠直接观察或查看行为记录视频来进行量化，这需要研究人员长时间全神贯注地盯着，不仅耗时费力，而且极易受到人为因素的干扰，导致误差出现。比如，人工计数呕吐次数时，可能因为研究人员的疲劳或疏忽而出现漏记、错记的情况。在这样的背景下，为了突破传统研究方法的局限，香港中文大学医学院生物医学科学学院呕吐研究小组的研究人员开展了一项极具创新性的研究。
他们将目光投向了当下飞速发展的深度学习技术，利用 3D 卷积神经网络（3D CNN）和自注意力机制，开发出了自动呕吐检测（AED）工具。这一研究成果发表在《Communications Biology》上，犹如一颗璀璨的新星，照亮了呕吐研究的新方向。
研究人员在开展这项研究时，运用了多种关键技术方法。首先，通过定制的视频录制系统，对臭鼩在不同刺激下的行为进行高清录制。然后，由经验丰富的观察者手动标注视频中的呕吐行为，精确区分 “呕吐” 和 “非呕吐” 帧，以此创建高质量的训练和测试数据集。接着，采用改进的 R3D 模型架构进行模型训练，利用 PyTorch 框架在配备 NVIDIA GeForce V100 GPU 的硬件上进行迭代训练，并通过调整多种参数优化模型性能。最后，使用多种评估指标，如召回率、精确率和 F1 分数，全面评估模型在不同场景下检测呕吐行为的准确性。
下面让我们来看看具体的研究结果：
- 整体工作流程与实验设置：AED 系统的创建包含视频录制、手动标注、模型训练与测试、模型泛化与应用这四个关键阶段。在视频录制环节，研究人员精心设计了实验装置，将臭鼩置于特制的不透明有机玻璃箱内，从上方用 C930e 相机以 30fps 的帧率进行拍摄，保证了视频录制的稳定性和高质量。
- 模型设计与训练：鉴于呕吐行为在正常情况下较为罕见，且臭鼩的呕吐持续时间短（仅 1 - 2 秒），伴有独特的身体抽搐和背部起伏运动特征。研究人员选用了改进的 18 层全 3D ResNet 模型（R3D 模型），并添加了两个变压器块。在训练过程中，随着训练轮次的增加，模型预测与手动标注之间的差异（损失）逐渐减小，预测准确率不断提高，在经过五个轮次的训练后，准确率趋于稳定，且对不同输入长度的预测准确率均超过 97%。
- 模型在测试数据集上的评估：利用 21 个捕捉运动诱导呕吐的视频对训练好的模型进行评估，结果令人惊喜。在分析 192 个呕吐事件时，模型仅将 1 个呕吐事件误分类为非呕吐，预测准确率高达 99.42%，对非呕吐帧的检测准确率也达到了 98.15%。通过深度学习的标准评估指标进一步分析发现，模型的精确率为 0.9145，召回率为 0.9942，F1 分数为 0.9529，充分证明了模型在识别和量化臭鼩呕吐行为方面的高可靠性和准确性。
- AED 系统检测不同催吐药物诱导呕吐的性能：为了评估 AED 系统对不同催吐药物诱导呕吐的识别和量化能力，研究人员给臭鼩使用了多种催吐剂，包括树脂毒素（RTX）、尼古丁、硫酸铜、纳洛酮、U46619、环磷酰胺、艾塞那肽 - 4 和顺铂等。在短时间（≤30 分钟）记录的实验中，AED 系统对 RTX、尼古丁、硫酸铜诱导的呕吐预测准确率均达到 100%，对纳洛酮和 U46619 诱导的呕吐预测准确率分别为 97.10% 和 98.97%。在较长时间（2 - 6 小时）记录的实验中，对环磷酰胺和艾塞那肽 - 4 诱导的呕吐预测准确率分别为 96.93% 和 98.91%。
- AED 系统在抗呕吐药物筛选中的应用：研究人员以顺铂诱导的呕吐模型为基础，用帕洛诺司琼进行预处理，以此验证 AED 系统在抗呕吐药物筛选中的适用性。实验结果显示，手动量化和 AED 系统量化均表明，帕洛诺司琼预处理后，顺铂诱导的呕吐行为减少了 100%。这一结果充分表明 AED 系统能够有效检测抗呕吐药物给药后呕吐行为的变化，在大规模高通量抗呕吐药物筛选研究中具有巨大的应用潜力。
- AED 系统在无垫料观察箱中运动诱导呕吐模型的性能评估及与 ActionFormer 的比较：在无垫料观察箱的运动诱导呕吐模型实验中，AED 系统对四只臭鼩的呕吐预测准确率达到 100%，展现出了良好的鲁棒性。与 ActionFormer 相比，AED 系统在九个评估指标中的六个上表现更优，其余三个指标二者准确率相同，凸显了 AED 系统在检测臭鼩呕吐方面的优势。
在研究结论和讨论部分，AED 工具展现出了卓越的性能，其 98.92% 的总体准确率与手动标注的效果相当，在多种呕吐模型和抗呕吐药物筛选研究中都表现出色。与以往的自动检测方法相比，AED 系统具有显著优势。例如，Horn 等人的方法准确率仅约 75% ，而结合全身体积描记法和视频记录的半自动化方法，以及在雪貂腹壁植入遥测设备的方法，虽然能达到较高准确率，但往往需要进行侵入性手术，且设备昂贵。相比之下，AED 系统实验设置简单、可重复性强且成本效益高，有望在研究领域广泛应用。
不过，AED 工具也并非十全十美。研究人员发现，一些特殊的呕吐事件，如 retches 次数少且间隔长、呕吐持续时间短且动物伴有行走或转身等运动、腹部收缩幅度较低的情况，AED 系统可能无法准确检测。此外，AED 系统还会误将一些非呕吐行为，如快速摇头、身体前后运动、咀嚼伴快速鼻动、用前肢擦脸伴节奏性头部运动以及身体颤抖等，检测为呕吐行为。针对这些问题，研究人员提出可以通过增加包含各种催吐刺激的训练数据集，以及逐帧标注呕吐行为的 “开始” 和 “结束” 时间等方式来进一步提高 AED 工具的准确性。
这项研究成果意义重大，它为臭鼩呕吐行为的研究提供了高效、准确的自动分析工具，不仅提升了研究效率，还减少了人为误差和偏差。同时，该研究为深度学习神经网络模型在自动化分析臭鼩其他行为方面提供了宝贵的思路，在临床前研究和药物开发领域具有广阔的应用前景，有望推动相关领域的研究取得新的突破，为人类健康事业做出重要贡献。
