利用深度学习根据动物的活动情况预测慢性消耗病的状态

《Movement Ecology》：Use of deep learning to predict chronic wasting disease status based on animal movement

　　

摘要

慢性消耗病（CWD）是一种致命的朊病毒疾病，对北美的鹿类种群和野生动物管理造成了严重影响。受感染的鹿类通常在数月内都没有症状，而通过全球定位系统（GPS）项圈数据检测到的运动异常行为可能有助于了解CWD早期和晚期的行为变化。本文评估了深度学习行为异常检测模型（如自编码器（AE）和条件自编码器（cAE）是否能够有效识别与CWD感染相关的自由活动骡鹿（Odocoileus hemionus）的运动异常行为。无监督学习的自编码器在准确率上达到了≥84%，精确度达到了89%，无论模型是仅使用CWD阴性个体进行训练，还是使用60%的CWD阳性个体和40%的CWD阴性个体进行混合训练。区分CWD阳性个体和阴性个体的关键运动特征包括速度、方向和路径曲折度等指标。相比之下，有监督学习的条件自编码器在准确率上仅达到了54%至77%，精确度则低于53%，且当CWD阳性个体的发病率在10%到40%之间变化时，模型的检测结果也不稳定，这降低了其泛化能力。最后，使用最佳拟合模型（仅使用CWD阴性个体进行训练的自编码器）发现，早期阶段的动物活动范围较小，而晚期阶段的动物则表现出更明显的速度下降和方向模式改变。这些结果表明，自编码器可以利用运动数据准确识别与CWD相关的行为异常，而且哪些运动指标重要取决于疾病的阶段。