利用机器学习技术构建巴西圣保罗州立大学猪急性疼痛短量表，助力生猪行业福利提升

为简化巴西圣保罗州立大学猪急性疼痛综合量表（UPAPS），研究人员用随机森林算法筛选行为指标，得出短量表（Short UPAPS），其诊断效能与原量表相当，有助于大规模监测猪阉割后急性疼痛12。

　　在全球人口增长的大背景下，对肉类的需求也在持续攀升。猪肉作为世界上第二大被广泛食用的肉类，其生产备受关注。在生猪养殖行业中，为了避免公猪异味影响肉质，同时减少猪的不良攻击和性行为，雄性仔猪阉割是常见的操作。然而，目前在中国和美国这两个生猪养殖大国，大多数仔猪阉割手术仍在没有麻醉或镇痛的情况下进行，这无疑给仔猪带来了巨大的痛苦。如何在满足消费者对猪肉需求的同时，保障猪的生活质量，成为了全球动物福利领域亟待解决的重要问题。

疼痛，被定义为一种与实际或潜在组织损伤相关的不愉快的感觉和情感体验，它会直接影响动物的生活质量。对于仔猪阉割后的急性疼痛，不仅从伦理角度需要关注，研究还发现它会导致仔猪体重增长减缓。但对不会言语的哺乳动物进行疼痛诊断颇具挑战，在仔猪阉割场景中，主要通过观察其行为反应来判断疼痛。

在此背景下，巴西圣保罗州立大学（Unesp）等机构的研究人员展开了一项重要研究。该研究成果发表在《Scientific Reports》上。研究人员旨在利用随机森林算法，基于对手术阉割前后猪的观察，找出最能反映疼痛的行为，从而提出 UPAPS 的短版本，以更便捷地监测和诊断大规模养殖系统中仔猪阉割后的急性疼痛。

为开展此项研究，研究人员运用了多种关键技术方法。首先，使用了已有的两个数据库，分别来自之前对断奶仔猪和未断奶仔猪的研究。其次，采用随机森林算法（Random Forest），这是一种集成学习技术，通过构建多个决策树来进行分类和回归，能有效减少过拟合并提高预测准确性。在分析过程中，还运用了训练 - 测试分割（Train–test split）方法，将数据库分为训练集和测试集；通过计算组内相关系数（ICC）评估观察者间的可靠性；利用受试者工作特征曲线（ROC）下的面积（AUC）来评估算法的预测能力等。

研究结果如下：

1. 可靠性：通过 ICC 评估 UPAPS 总分的观察者间可靠性，结果显示断奶仔猪数据库的 ICC 范围为 0.85 - 0.92，未断奶仔猪数据库为 0.98，表明观察者间可靠性 “良好” 到 “非常好”。
2. 训练随机森林：随机森林算法筛选出 “低头”“坐立困难”“摇尾巴”“互动 2（偶尔远离其他动物，但接受靠近；对周围环境兴趣不大）” 和 “活动 1（移动频率降低）” 这五种行为，是区分猪疼痛与否的最佳疼痛改变行为。
3. 测试随机森林：随机森林算法的 AUC 为 91.38%，与 UPAPS 的 AUC（90.58%）在统计学上相当，说明其预测能力良好。
4. 优化随机森林：经过反向逐步上升法优化算法，发现包含五种最佳疼痛改变行为的算法复杂度最低，且预测能力与包含所有疼痛改变行为的算法相当。
5. 短疼痛量表：Short UPAPS 的 AUC 为 89.62%，与 UPAPS 的 AUC 在统计学上无显著差异，其总分范围为 0 - 5，最佳截断点为 2。

研究结论与讨论部分指出，本研究利用随机森林算法对 UPAPS 疼痛改变行为进行了重要性排序，并确定了基于五种最佳行为的 Short UPAPS，其鉴别能力与原始 UPAPS 相当。这一成果意义重大，Short UPAPS 有望简化养殖人员对猪疼痛的监测流程，促进大规模阉割手术中急性疼痛监测的标准化操作，从而提升猪的福利。不过，研究也存在一定局限性，如断奶仔猪和未断奶仔猪样本不均衡、部分分析存在局限性以及未设置假手术组等。未来还需按照 COSMIN 指南，对 Short UPAPS 进行心理测量学验证，进一步完善猪疼痛评估体系。