《Neuroscience & Biobehavioral Reviews》:AI-Based Mouse Behavior Analysis in Pathology: A Focus on Movement Disorders
编辑推荐:
本文综述了AI在啮齿类模型运动障碍(如PD、LID)行为分析中的前沿进展。重点探讨了基于视频(DLC、SLEAP)与IMU的多模态数据融合、行为分解(MoSeq、B-SOiD)及临床转化挑战,旨在推动临床前表型分析从描述性评分转向定量化AI解析。
引言:从主观评分到AI定量解析
在神经科学 preclinical research 中,准确量化动物行为是理解脑功能与疾病机制的关键。传统的行为分析严重依赖观察者评分或简单的运动指标(如总移动距离),难以捕捉运动障碍(如帕金森病 PD、亨廷顿病、药物诱导 dyskinesia)中复杂、细微且异质性的 motor phenotypes。
AI 和 machine learning 的进步正在彻底改变这一局面。通过视频追踪、行为分解和 inertial sensor 技术,研究人员现在能够以高时空分辨率自动提取并解析复杂的行为序列。这不仅提升了测量的敏感度和可重复性,更能发现人眼容易忽略的 behavioral motifs。本文聚焦于 PD 和 L-DOPA-induced dyskinesia (LID) 模型,系统梳理了 AI 驱动的行为分析如何将 preclinical phenotyping 从描述性科学转变为基于数据的生物学发现。
技术基石:行为表征的获取
视频追踪:从姿态估计到端到端学习
视频分析是目前最主流的策略,主要分为两大流派:
- 1.
基于姿态估计 (Pose Estimation):通过深度学习模型(如 DeepLabCut, SLEAP, DeepPoseKit)追踪身体关键点(鼻、爪、尾根),生成可解释的 kinematics 时间序列。这类方法优势在于数据结构化,便于后续计算角度、速度等衍生特征,且支持 2D/3D 及多动物场景。
- 2.
无姿态端到端学习:绕过关键点检测,直接从视频像素中提取 spatiotemporal features(如 DeepEthogram)。这类方法擅长处理遮挡、复杂背景或依赖整体纹理/外观的微细行为(如面部表情),但可解释性相对较弱。
值得注意的是,这些工具输出的仅是“运动表征”(坐标或特征向量),而非直接的“行为语义”。将低层信号转化为有意义的 behavioral units(如 grooming, rearing)是下一阶段 decomposition 的任务。
补充模态:惯性测量单元 (IMU)
除了视频,佩戴于动物头或背部的 IMU 传感器提供了独立的数据源。IMU 能高精度捕捉加速度和角速度,对高频震颤、头部抖动等 micro-movements 极其敏感,且不受光照、遮挡限制。结合视频数据,IMU 实现了真正的 multimodal behavior analysis。
核心算法:行为分解与分类
获取运动数据后,核心挑战是如何将其分割成离散、有意义的单元。这主要依靠三类机器学习 pipeline:
无监督发现 (Unsupervised Decomposition)
这类方法不依赖人工标注,直接从数据中挖掘潜在结构:
- •
MoSeq (Motion Sequencing):利用 3D 成像和 autoregressive HMM 识别自发行为中的重复“音节”,揭示了行为的语法结构。
- •
B-SOiD:基于 2D 姿态数据,通过 UMAP 降维和密度聚类,识别细粒度的 motor actions,平衡了性能与计算效率。
- •
VAME:采用 variational autoencoder 学习行为的 latent representation,能更好地建模行为状态的时序连续性。
无监督方法的优势在于无偏发现,特别适合探索未知或未预期的病理行为模式,但结果需要后期与生物学意义对齐。
有监督分类 (Supervised Classification)
基于专家标注数据训练模型,直接识别预定义行为:
- •
SimBA:用户友好的 GUI 工具,利用 pose-derived features 训练 random forest 分类器,并整合 SHAP 等 explainable AI (XAI) 工具,使决策过程透明化,非常适合验证特定假设。
- •
MARS:专为复杂社交场景设计,能自动评分攻击、追逐等交互行为。
- •
DeepAction / LabGym / DeepEthogram:分别从时空姿态演化、原始像素分类等不同角度提升了对复杂、动态行为的识别能力。
有监督方法 interpretability 强,但依赖标注质量,且可能错过标注集以外的行为。
混合策略 (Hybrid & Semi-supervised)
为了兼顾发现能力与可解释性,A-SOiD 等框架结合了主动学习机制,迭代融入专家反馈来优化聚类结果。MoDysk 则是针对 LID 研究的专用 pipeline,融合了 IMU、DLC 和神经成像数据,实现了 dyskinesia 亚型的半自动量化。
病理应用:聚焦 PD 与 LID
在 movement disorders 的 rodent models 中,AI 展现了其独特价值:
- •
帕金森病 (PD):传统评分难以量化 bradykinesia(运动迟缓)、步态冻结或姿势不对称。AI 工具能精确捕捉 initiation latency、运动流畅度下降以及 fine postural adjustments 的缺失,为 dopaminergic 损伤提供更灵敏的 biomarker。
- •
L-DOPA 诱导异动症 (LID):传统 AIMs 评分主观性强。基于 IMU 或视频的 AI 分析能客观区分 axial, limb, orolingual 等不同维度的 dyskinetic movements,并量化其 amplitude 和 temporal dynamics,极大提升了药物疗效评估的精度。
挑战与未来方向
尽管前景广阔,该领域仍面临几大挑战:
- 1.
可解释性 (Interpretability):如何将 AI 识别的“音节”或“簇”映射回神经生物学机制和临床表型。
- 2.
泛化性 (Generalization):不同实验室的设备、品系、环境差异导致模型跨数据集性能下降,需推动标准化与迁移学习。
- 3.
多模态融合:未来趋势是深度融合 video, IMU, neural recording(如 calcium imaging),在解析行为的同时直接关联 underlying neural ensemble activity,实现“神经-行为”闭环解析。
- 4.
临床转化:将 preclinical 发现的 digital biomarkers 与人类患者(如 wearable data)进行比对,是验证其 translational potential 的最终步骤。
AI 驱动的行为分析正引领一场范式革命,使研究者能够以 unprecedented scale and resolution 解码病理行为,为理解神经疾病机制和开发精准疗法提供强大支撑。