基于DeepLabCut的物体识别分析系统建立以及初步应用

摘要

目的：构建一种基于DeepLabCut(DLC)算法用于评价啮齿动物认知功能的物体识别分析系统。方法：利用深度学习技术的DLC算法，采用竞技箱和高清工业摄像头，构建系统硬件；应用本系统评价自然衰老模型（20月龄）以及牙周炎模型小鼠的学习记忆能力。结果：本研究构建的基于DeepLabCut的物体识别分析系统可自动量化嗅探次数类、时长类和新颖偏好类3类共36项指标。自然衰老模型小鼠在新物体识别模式下，与青年组比较，传统方法仅发现鼻尖新旧物体探索（距物体2 cm范围内）时长减少（P<0.05），应用本系统发现老年组在身体中心新物体的探索时长、鼻尖与身体中心新物体的探索次数、鼻尖与身体中心新物体的探索时长均显著降低（P<0.01、P<0.01、P<0.01），身体中心新物体的探索次数、物体精确探索次数偏好度、物体精确探索时长偏好度均明显的下降（P<0.05、P<0.05、P<0.05）。在位置识别模式中，与青年组比较，传统方法仅显示老年小鼠对新物体鼻尖探索（距物体2 cm范围内）次数出现显著减少（P<0.05），而本系统检测到其身体中心新物体探索次数、身体中心新物体探索时长（P<0.01、P<0.001）均显著下降，且物体精确探索次数偏好度和时长偏好度、物体传统探索次数偏好度和时长偏好度均有所降低（P<0.05）。牙周炎模型小鼠在新物体识别模式下，传统肉眼观察未见显著差异，但本系统检测到模型组在鼻尖旧物体探索（距物体1.5、2 cm范围内）的次数均显著增加（P<0.01、P<0.01），物体探索（距物体1 cm范围内）次数偏好度显著降低（P<0.001），物体探索（距物体1.5、2 cm范围内）次数偏好度和时长偏好度亦有所下降（P<0.05）。结论：基于深度学习技术开发的小鼠物体识别认知行为分析系统，实现了对小鼠探索行为更加敏感、精确、多维的量化分析。能够有效区分老年及疾病模型小鼠的认知行为特征，与传统方法相比，通过细分探索行为（鼻尖、身体中心）和鼻尖动态距离阈值（1、1.5、2 cm），更灵敏地捕捉到自然衰老和牙周炎模型中细微的认知行为变化，并筛选出更能反映认知功能衰退的关键指标，为揭示衰老及炎症相关认知障碍的神经机制提供了更全面的行为学依据。

关键词

物体识别分析系统 / 人工智能 / DeepLabCut / 认知 / 衰老 / 牙周炎