《Mathematical and Computational Applications》：Identifying Groups Using Animal Patterns: A Quantitative Comparison of Feature Extraction Methods
编辑推荐：
许多动物物种体表具有独特图案，可用于个体识别，且这些图案常具有遗传基础。这种个体水平图案变异可在生态学应用中多方面利用，例如促进标记重捕（mark-recapture）研究系统中的个体识别，以及通过识别野生动物贸易中贩运动物的来源种群为保护工作提供信息。研究人
许多动物物种体表具有独特图案，可用于个体识别，且这些图案常具有遗传基础。这种个体水平图案变异可在生态学应用中多方面利用，例如促进标记重捕（mark-recapture）研究系统中的个体识别，以及通过识别野生动物贸易中贩运动物的来源种群为保护工作提供信息。研究人员测试了四种卷积神经网络（convolutional neural network, CNN）架构，可供能够获取训练数据的研究人员用于提取特征，以将具有独特个体图案的物种中的个体聚类到已知数量的生物学相关群体。研究人员使用一种常见淡水龟——锦龟（Chrysemys picta），其腹甲图案具有复杂的个体水平变异。研究人员比较了神经网络方法、传统几何形态测量方法和个体识别软件，利用两种聚类方法按窝（clutch）和种群对个体进行分组的能力。研究人员发现，没有方法能从腹甲图案可靠恢复窝成员关系（即半同胞或全同胞）（调整兰德指数（Adjusted Rand index, ARI）< 0.266）。然而，两种方法均可将个体高度一致地分入来源种群，其中卷积自动编码器（convolutional autoencoder）获得最佳聚类（ARI = 0.858）。在两种情况下，大多数神经网络方法表现优于（ARI高于）几何形态测量方法，且二者均优于个体识别软件计算的相似性得分。这些结果表明，神经网络衍生的图像特征可为评估独特可识别个体是否聚类为生物学相关群体提供有效方法。
**研究背景与问题**
动物体表图案长期被研究人员用于个体识别，并可为野生种群长期研究提供有价值信息。体表标记和图案可能具有多种功能，包括隐蔽、威慑捕食者、吸引配偶和个体识别，并可能有时处于相反的选择压力下。某些图案大小和形状与适合度存在直接或间接关联，例如幼年长颈鹿斑点图案的大小和形状与生存高度相关。有些情况下，独特图案本身可能并非适应性特征，例如蝙蝠翼中胶原-弹性蛋白束排列或考拉鼻部无色素斑形状。然而，如果图案类型与遗传相关，研究个体水平图案变异仍可能为其相应系统提供生态和保护信息。通常，生物个体与地理邻近或同种群个体在遗传上比与较远个体更相似。因此，即使视觉复杂且受部分遗传控制的图案，无论其本身是否适应性，也可能在种群水平识别变异。尽管遗传技术已有进展，野生种群长期研究仍常面临难以确定许多或大多数个体遗传亲缘关系的问题，例如分子工作成本高、样本量有限、无法观察交配或后代抚育等。动物图案可能以独特方式提供亲缘关系信息的替代手段。许多研究在不同类群实验过程中拍摄了大量个体照片，但这些照片通常未用于图案变异分析。此外，现有图案分析软件主要集中于匹配个体以进行识别，而非提取、量化或分组图案。因此，这类图案应用于基于种群的遗传或亲缘估计的能力尚未被充分探索。深度学习日益成为生态学研究的重要工具，并可能有助于解决上述问题。人工神经网络（artificial neural networks, ANNs）近年来广泛应用于生态学和野生动物生物学，包括环境监测、行为研究或种群基因组学等。卷积神经网络（convolutional neural network, CNN）是目前生态学中基于图像分析最广泛使用的神经架构。基于此，研究人员使用四种神经网络架构和传统几何形态测量方法，从具有独特个体图案的野生淡水龟物种中提取图案特征，并比较这些方法恢复生物学相关群体（来源种群和窝同胞）的能力，同时与现有相似性评分软件进行比较。
**研究开展与主要结论**
研究人员使用常见淡水龟锦龟（Chrysemys picta）作为研究对象，该物种腹甲图案具有复杂个体水平变异。研究人员采集图像，测试四种神经网络架构、传统几何形态测量方法和 Wild-ID 软件，通过无监督聚类方法将个体按窝和种群分组，并量化聚类成功程度。结果显示，没有方法能可靠从腹甲图案恢复窝成员关系（ARI < 0.266）。但个体可通过两种方法高一致地分入来源种群，其中卷积自动编码器获得最佳聚类（ARI = 0.858）。大多数神经网络方法在窝分类和种群分类中均优于几何形态测量方法，且二者均优于 Wild-ID 计算的相似性得分。该研究表明，神经网络衍生图像特征可作为评估独特可识别个体是否聚类为生物学相关群体的有效方法，并可能优于现有方法。
**关键技术方法**
样本队列包括伊利诺伊州 Barrington 私有池塘 18 个巢、141 只幼龟，以及 Thomson Causeway Recreation Area（密西西比河）30 个巢、243 只幼龟；训练图像来自威斯康星州北部种群，共 384 张，分割网络另用 303 张训练、81 张验证。图像经 CNN 分割、裁剪、灰度化并统一为 128 × 64 像素。提取四类深度特征空间（deep feature spaces, DFS）：全连接自动编码器、卷积自动编码器、两分类分割模型、单分类分割模型。几何形态测量以 ImageJ 手动标 100 点，经 Procrustes 叠加（Procrustes superimposition）后计算中心距离、面积百分比、solidity、convexity 及形状主成分。聚类采用 k-means 与层次聚类；Wild-ID 提取成对相似性分数；以调整兰德指数（Adjusted Rand index, ARI）和调整互信息（Adjusted mutual information, AMI）评价。
**研究结果**
3.1 窝分类
研究人员计算了层次聚类和 k-means 聚类的 ARI 与 AMI，用于窝同胞分类，比较七种几何形态测量性状、四种神经网络架构和 Wild-ID。几何形态测量方法获得的最高 ARI 为 0.068，出现在 Barrington 种群中使用 100 个距离加层次聚类或全部性状加 k-means 聚类时；Thomson 种群最高 ARI 为 0.055，合并种群最高为 0.065。因此，几何形态测量中没有任何性状与聚类方法组合明显优于随机分窝。神经网络方法表现更好，最高 ARI 为 0.266，使用卷积自动编码器和层次聚类。Wild-ID 对 Barrington 种群按窝聚类的 ARI 为层次聚类 ?0.001，k-means 为 0.008 ± 0.005；Thomson 种群为层次聚类 0.007，k-means 0.022 ± 0.005；合并种群为 0.010 和 0.007 ± 0.002。总体而言，没有方法能可靠恢复窝成员关系。AMI 与 ARI 无定性差异，因此在补充材料中报告。
3.2 种群分类
研究人员进一步比较来源种群分类。使用几何形态测量方法时，最有效的种群聚类使用腹甲图案占腹甲面积的百分比（percent area），采用 k-means 获得 ARI 为 0.792；层次聚类最高 ARI 为 0.773，也使用面积百分比。神经网络方法使用卷积自动编码器和层次聚类获得 ARI 为 0.858，表明个体可被良好分类到来源种群。Wild-ID 软件按种群聚类的 ARI 为层次聚类 ?0.004，k-means 为 0.030 ± 0.04。由此得出，两种方法均可高一致地将个体聚类到来源种群，其中卷积自动编码器最佳，且二者均优于 Wild-ID。
**讨论总结与结论翻译**
讨论部分指出，研究人员证明几何形态测量方法和卷积神经网络均可产生与来源种群密切对应的聚类（ARI = 0.792–0.858），但不能对应窝成员关系（ARI < 0.266）。两种情况下，从 CNN 架构提取的特征均优于传统图案提取和几何形态测量方法。锦龟不同种群间腹甲图案差异对人眼不可辨，但窝同胞常表现相似图案。该物种存在多父制，先前对 Thomson 种群的研究显示超过 30% 的采样窝存在多父制，因此窝内可能出现全同胞和半同胞混合。窝内图案通常仅中度变异，偶见可能代表不同父本的离群个体，这可能使两种方法均难以可靠分类锦龟窝同胞，但并不否定 CNN 方法在其他物种中的潜在适用性。研究人员发现，小而隔离的 Barrington 种群窝分组成功率更高（0.266），远大于 Thomson 种群（0.029），合并种群为 0.124，提示更多来自更多种群的训练数据可能改善亲缘分组效能，但 Barrington 种群多父制水平未知。两个种群窝大小无差异，均为 6 至 13。由于 CNN 使用来自不同种群的图像训练，训练中学习到的特征可能强调种群水平信息而非与亲缘相关的更细微变异；但该特征提取不涉及标签或聚类，因此训练于不同种群不会直接偏倚网络，训练种群仍可能影响嵌入中表征的视觉特征。灰度化不能确认 CNN 仅识别种群间生物学差异。不同种群中最佳性状甚至最佳聚类方法不同，说明该物种中没有单个性状测量包含足够聚类信息。因此，当生物图案的遗传性或生物学相关性未知时，应像本研究一样先验证，再用于未知样本。
讨论还指出，几何形态测量方法需要耗时的后处理，CNN 方法需要训练数据，二者均需预先知道分组数量。若无法估计平均后代数或来源种群数，这可能成为限制。深度学习产生“黑箱”式分类，底层证据不可识别，因此研究人员应避免过度延伸所识别图案性状的生物学意义。长期野生动物研究常受照片匹配时间限制。Wild-ID、I3S、HotSpotter 等软件可辅助匹配，但只能将一个个体的照片与推定同一个体的另一照片关联，不能量化图案或估计其他相关变量。Wild-ID 等程序计算的相似性分数不足以替代神经网络或几何形态测量分析。CNN 架构适合已进行图像处理以识别个体的研究人员，因为他们可能已有大量标记照片和训练数据。研究人员有意使用标准且知名的神经网络架构和方法，未做消融研究等优化，目标是提供其他生物研究人员可使用的工具和环境。公开数据集如 WildlifeDatasets 使非计算机科学家更易使用此类方法。自动编码器特征提取优于分割模型，因为卷积自动编码器可利用灰度图像全部方面提取和压缩信息，而分割模型仅在实现良好分割的语境下提取特征。研究人员建议希望使用这些工具的研究人员从卷积自动编码器方法开始。未来应用包括将贩运生物返回原种群，或识别来源种群以加强反盗猎努力；这些应用需针对每个物种进行大量验证。经适当验证后，长期研究可使用该方法识别未知出生个体的亲本，或进行种群遗传推断；CNN 也可用于识别隐存种或对具有细微或不可检测性二态性的物种进行性别鉴定。该方法的分组能力受可用训练数据类型和任一动物图案所包含信息限制。
研究结论翻译：研究人员发现，四种神经网络架构从锦龟腹甲图案中提取的信息在产生与来源种群密切匹配的聚类方面，优于传统几何形态测量方法收集的数据。两种方法均不能聚类与窝同胞（半同胞或全同胞）匹配的图案。对于两类生物群体，两种方法均显著优于使用 Wild-ID 计算的相似性分数所获得的聚类。研究人员在此证明，神经网络架构可作为提取动物图案信息并随后聚类到生物学相关群体的强大工具，且可优于现有方法。
