基于DeepLabCut的无标记机器学习方法：犬类步态分析在可控环境中的创新应用

【编辑推荐】本研究首次将DeepLabCut（DLC）无标记深度学习技术应用于多品种犬的步态分析，开发了半自动化参数提取流程。结果显示：模型对明确解剖标志（如鼻、眼）追踪效果优异（测试误差12.22像素），且品种差异无统计学意义（p=0.828），但体型因素可能影响关节角度测量。该技术为临床犬类运动功能障碍诊断提供了可替代传统标记法的解决方案。

　　

亮点
我们使用DeepLabCut（DLC）训练定制神经网络，在实验室环境下追踪多种家犬的运动轨迹。网络性能与既往DLC研究相当，对鼻、眼、腕（carpal）、跗（tarsal）等明确解剖标志追踪精准，但对肩、髋等形态模糊部位表现较弱。通过混合模型ANOVA分析发现：身体部位对追踪效果有显著影响（p=0.003），而品种差异无统计学意义（p=0.828），但存在微弱的部位-品种交互效应（p=0.049）。

结果
定制模型经过150,000次迭代训练（耗时约70小时），在1920×1080分辨率图像上训练误差2.84像素，测试误差15.58像素。应用置信度阈值（p_cutoff=0.6）后，测试误差降至12.22像素。左右侧数据集t检验显示无显著差异（p>0.05），故合并分析。

讨论
DLC在犬类步态分析中展现出临床转化潜力：

1. 时间参数（如支撑相占比/duty factor）与文献值高度吻合
2. 膝关节（stifle）活动度数据分布较广，提示跨研究比较需谨慎
3. 体型因素可能通过图像分辨率影响小体型犬的关节角度测量

结论
本研究证实DLC可实现犬类步态参数半自动化提取，显著减少人工干预。尽管存在跨品种适用性挑战，该技术为临床环境提供了一种替代传统标记法的可行方案，未来可通过优化训练集提升小体型犬的追踪精度。