应用持续居家笼盒监测(continuous home-cage monitoring)与机器学习(machine learning)提升小鼠健康评估的多中心研究

《Lab Animal》:Enhanced health evaluation in mice using continuous home-cage monitoring and machine learning: a multicentric study

【字体: 大 中 小 】 时间:2026年05月29日 来源:Lab Animal 3.9

编辑推荐:

  摘要:确保实验啮齿类动物的健康对符合伦理的研究及维持科研完整性至关重要。传统由受过培训的技术人员于啮齿类动物睡眠期进行的每日肉眼观察,因检查时间短且受笼内丰容物遮挡,常无法检出细微但关键的健康指征。本研究旨在利用持续居家笼盒监测(continuous home

  
摘要:确保实验啮齿类动物的健康对符合伦理的研究及维持科研完整性至关重要。传统由受过培训的技术人员于啮齿类动物睡眠期进行的每日肉眼观察,因检查时间短且受笼内丰容物遮挡,常无法检出细微但关键的健康指征。本研究旨在利用持续居家笼盒监测(continuous home-cage monitoring, HCM)联合机器学习(machine learning, ML)/人工智能(artificial intelligence, AI)算法改善小鼠健康检查。研究人员假设小鼠活动度降低可提示痛苦或患病,且持续追踪能比肉眼检查更早发现临床病例。研究人员回顾性分析来自三家机构采用相同传感器技术的小鼠活动数据,应用ML/AI模型生成潜在临床病例的数字预警,并与临床记录比对以验证预测准确性。结果表明,ML算法可在可验证临床体征出现或死亡被注意到前3至6天识别出处于痛苦状态的动物,第–3天准确率为66–80%,第–6天准确率为80–91%。这说明持续监测动物自主活动是优于人工观察的动物健康预测指标。研究结果提示,以AI建模辅助肉眼检查可通过识别亚临床病例显著改善动物福利、优化实验终点、提高研究的严谨性与可重现性并提升运行效率。本研究强调了在实验动物设施中整合先进监测系统与AI的潜力,是动物福利与研究方法学领域的重要进展。
《Lab Animal》发表的此项多中心研究由Rutgers University(美国)、Ecole Polytechnique Fédérale de Lausanne(EPFL,瑞士)及Sanofi(法国)合作完成,探讨以持续居家笼盒监测(home-cage monitoring, HCM)结合机器学习(machine learning, ML)算法提升实验室小鼠健康评估与动物福利监测的可行性及效能。
研究背景与立项依据
各国法规(如美国《动物福利法》、欧盟Directive 2010/63/EU等)要求对实验动物进行每日健康观察,但现行做法多在白天(小鼠非活跃期)由技术人员对笼外进行数秒(4–8 s)的肉眼查看。小鼠为夜行动物,白天多躲藏于巢穴或丰容物(纸袋、筑巢材料)之下,加之笼内遮挡,使得细微的亚临床痛苦体征极易漏检。此外,为不干扰动物昼夜节律及实验严谨性,多数设施不鼓励每日将笼盒移出鼠架或开盖翻查。因此传统视觉检查存在时段不当、观察窗口短、主观性强及漏检率高等缺陷。已有研究证明自主活动(locomotion)下降可作为疾病或痛苦的敏感行为标志,HCM技术可利用传感器或视频非侵入性地量化动物活动,配合ML分析异常模式具早期预警潜力。本研究旨在验证:基于笼下电容传感器的持续活动监测+ML算法产生的数字预警,能否比人工视觉检查更早识别处于痛苦(distress)或发病状态的小鼠,并适用于异质性人群与不同饲养管理规范的跨国多中心环境。
主要关键技术方法
研究人员回顾性收集三家机构Digital Ventilated Cages(DVC, Tecniplast S.p.A.)系统中电容式传感器记录的小鼠夜间自主活动数据——DVC每笼下方设含12个非接触电极的电子感应板,以4 Hz采样因动物运动引起的电容变化,提取全局活动量、空间分布、时间分布及活跃质心等特征。以各笼此前7天历史数据建立统计基线,采用集成(ensemble)ML模型比对当日暗周期活动与基线偏差产生预警(alert)。用独立于本回顾性队列的优化数据集(817笼正常+218笼确诊临床病例,28天监测)经遗传算法(genetic algorithm)调参,构建三个假阳性(false positive, FP)容忍阈值不同的集成模型(Model 1 FP≤5%、Model 2 FP≤15%、Model 3 FP≤30%)。将三模型分别施用于三家机构的回顾性数据(EPFL约1000余天、Rutgers与Sanofi各约300天;合计1367个笼盒,EPFL 90540次、Rutgers 51094次、Sanofi 15367次笼日评估),以兽医确诊的临床病例登记日定义为Day 0,向前推–3天及–6天窗口统计真阳性(true positive, TP)检出率,并用McNemar检验比较模型差异。最终选用平衡运维负荷与检出率的Model 2详述结果。
Results(结果)
临床病例分布与肉眼检查局限性:三家机构确认临床病例数为EPFL 229例、Rutgers 42例、Sanofi 65例,多数在临床换笼(cage change)日检出,周末检出数明显下降(Rutgers与EPFL),反映日常短暂肉眼检查有效性低,异常情况多依赖换笼时的开笼接触性检视才被发现。
ML预警算法与假阳性控制:研究人员开发Night Welfare Check(NWC)算法,逐笼分析暗周期12 h活动模式并与过去7天均值比较,图形化显示正常(绿条及绿线)或异常(红条标注活动减退hypoactivity、活动过强hyperactivity、无活动疑似死亡、非常规空间活动),可根据设施设定FP阈值以防"警报疲劳(alert/user fatigue)"。三模型FP率随阈值升高而递增,各中心表现略有差异。
真阳性检出率随时间窗扩大而提升:Day 0时Model 1→Model 3 TP检出率上升(EPFL 17.9%→40.6%,Sanofi 50.8%→61.5%,Rutgers Model 2最高达50%);将判定窗口扩展至–3天及–6天时TP检出率进一步升高,表明算法最早可在确诊日前3–6天捕捉到异常活动模式。Model 2在TP检出与FP可控间取得最佳平衡故被选用展示详细结果。
不同临床类别的检出表现(Model 2, Day 0):发现死亡(found dead)检出率EPFL 93%(71例中)、Rutgers 85%(13例中)、Sanofi 100%(3例中),群养未全检出受限于当前无法区分个体活动;驼背 posture、眼部异常、体重减轻(Rutgers)检出率100%;健康受损、神经症状、活动过强(EPFL),被毛蓬乱、肿瘤/溃疡(Sanofi)检出率>80%;损伤(EPFL 73%)、打斗及皮肤病变(Rutgers 62%、57%)检出偏低。
首次预警时间分布(Day 0至–6天):大部分首次异常预警出现在–3至–6天区间,说明可提前数日指示亚临床问题;少数皮肤、打斗、眼部病变未在更早天数被检出,可能因这些病症早期未明显影响总体活动量。
Discussion(讨论与结论翻译)
本研究介绍了一种结合笼下传感器与ML算法的持续HCM方法来监测实验小鼠福利,弥补了传统白天肉眼检查受丰容遮挡及小鼠夜行习性限制、易漏检亚临床体征的不足。视觉观察具主观性且小鼠作为被捕食物种会掩饰病痛,多数临床病例实际在换笼日才被发现。持续HCM以非侵入方式追踪活动,现有电容传感受笼内丰容影响远小于视频系统且数据量小适于大规模部署。研究证实基于多中心异质群体(不同品系、饲养规范、临床记录方式)的ML活动分析可有效检测福利问题,无需修改既有临床评分体系即具广泛适用性。其优势包括不干扰自然行为、减少人为偏差、提供早期健康预警并可监测昼夜节律紊乱。局限性含少量确诊临床病例未被算法检出(需更大训练集提升)、群养无法分辨个体活动、软件预警延至晨间推送可能延误紧急干预、部分病种不影响活动故无法被 locomotion 单一指标捕获。算法采用历史基线比对+遗传算法优化的混合方案,兼顾可解释性与泛化性,未来拟纳入昼/夜24 h昼夜节律分析、探索神经网络识别刻板/打斗/焦虑样行为、融合实验预期表型信息,并结合视频或射频识别(radiofrequency identification, RFID)标签克服群养个体分辨难题,异常时自动生成视频片段供兽医远程复核。综上,持续HCM联合ML/AI算法可转变实验小鼠福利监测模式,通过非侵入持续监测与早期健康损害识别弥补传统肉眼检查缺陷,在提升研究数据质量的同时保障实验动物福祉。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号