系统性综述｜AI 赋能无脊椎动物行为研究：现状、痛点与未来方向

来源：市场资讯

（来源：计算机视觉研究院）

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC13226587/pdf/frai-09-1789644.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文基于 2015–2025 年 97 篇相关研究，完成该领域首篇系统性综述，全面梳理 AI 在无脊椎动物与幼虫行为分析的方法、应用与现存问题，并提出标准化改进方案。

PART/1

背景

传统行为分析的困境

果蝇、秀丽隐杆线虫、斑马鱼幼虫、大蜡螟等无脊椎动物及幼虫，是生物医药、毒理学、生态学领域经典模式生物。它们基因保守、饲养成本低、无严格伦理限制，行为变化更是反映机体功能损伤、药物作用、环境毒性的灵敏指标。

但传统人工观察、半自动追踪方式存在明显短板：效率低、主观性强、难以捕捉细微行为，也无法适配海量实验数据。在此背景下，机器学习、深度学习等人工智能技术，成为破解难题的核心方案。

PART/2

领域发展

十年爆发式增长，多国领跑全球

本次研究严格遵循 PRISMA 2020 规范，检索 PubMed、Web of Science 等主流数据库，最终纳入97 篇有效文献。

1. 时间趋势：2015 年该领域仅 2 篇论文，到 2025 年相关成果井喷，十年间研究热度持续走高。

   
   

   （年度发文量统计图）

2. 地域分布：美国、中国、德国发文量位居全球前三，合计占全部文献的 43%；南美、东欧、东南亚等地区也持续开展相关研究，该领域已形成全球协同研究格局。74% 的成果发表在影响因子 3 分以上期刊，足见学术认可度。

   
   

   （区域 / 国家发文量统计图）

3. 主流研究生物：黑腹果蝇（22%）、秀丽隐杆线虫（18%）、斑马鱼幼虫（11%）是使用最广泛的三大模式生物；虾类、蚊虫、蛾类等水产、农业害虫也成为热门研究对象，覆盖药理、毒理、农业、流行病学等多个场景。

   
   

   （模式生物分布图）

PART/3

主流 AI 技术与工具

深度学习成为绝对主力

（一）技术流派演变

2021 年起监督深度学习（sDL） 彻底占据主流，远超传统监督机器学习、无监督学习、纯图像分析方法。

• 监督深度学习：以卷积神经网络 CNN为核心，YOLO、DeepLabCut、SLEAP 等框架应用最广，擅长目标检测、姿态估计、多目标追踪；Transformer、循环神经网络（RNN/LSTM）逐步兴起，适配时序行为分析。

• 传统机器学习（SVM、随机森林、KNN）：仍用于简单分类任务，优势是模型可解释、小数据集表现良好。

• 无监督学习：多用于行为聚类、降维，助力挖掘未知行为模式。

（AI 方法与模型任务分布图）

（二）主流开源工具

领域内已形成成熟开源工具生态，大幅降低生物学者的使用门槛：

（主流 AI 工具汇总表）

1. DeepLabCut/SLEAP：无标记姿态估计标杆工具，广泛用于动物关键点提取、行为追踪；

2. JAABA、FLLIT：专注行为分类、肢体运动分析；

3. WormPose、Z-LAP Tracker：针对线虫、斑马鱼幼虫的专用定制工具。

（三）核心任务

AI 模型主要承担分类、检测、追踪、姿态估计、行为聚类五大任务，其中分类与检测应用占比最高，覆盖药物筛选、害虫识别、行为表型分析等场景。

PART/4

现存核心问题

方法不统一，可重复性堪忧

通过对 97 篇文献梳理，团队发现整个领域存在标准化缺失的痛点，严重阻碍跨实验室对比与成果复用：

1. 数据记录混乱

   ：视频 / 图像分辨率、帧率、拍摄设备、数据集规模等关键参数报道参差不齐，仅 14% 研究使用公开数据集。

2. 预处理流程碎片化

   ：图像增强、去噪、分割、归一化等预处理步骤描述不规范，超 30% 深度学习研究未明确说明预处理细节。

3. 模型信息披露不全

   ：模型骨干、优化器、训练轮次、学习率、硬件参数等关键内容缺失严重。

4. 评价指标五花八门

   ：检测、分类、姿态估计等任务选用指标差异极大，同一任务也无统一评判标准，难以横向对比模型性能。

   
   

   （各类任务评价指标统计图）

PART/5

未来建议与应用前景

（一）标准化方案（核心倡议）

研究团队提出一套统一报告框架，要求所有相关研究完整披露：实验设计、原始数据参数、预处理流程、模型架构、训练参数、评价指标六大模块，以此提升研究透明度、可重复性。

（标准化报告工作流图）

（二）应用价值

AI 驱动的行为分析拥有巨大落地潜力：

1. 生物医药

   ：加速药物高通量筛选、神经毒性检测，减少脊椎动物实验使用；

2. 环境监测

   ：利用幼虫 / 无脊椎动物的行为敏感性，识别微量环境毒素；

3. 农业水产

   ：病虫害智能识别、水产幼虫数量统计，助力智慧农业；

4. 基础科研

   ：挖掘微观行为、解析神经调控机制，拓展行为学研究边界。

（三）发展方向

未来领域将向着多模型融合、半监督 / 主动学习、3D 姿态分析、通用开源数据集搭建方向发展；同时强调 “生物学导向”，避免过度依赖 AI 工具而忽略实验本身的科学逻辑。

PART/6

结语

从人工肉眼观察到 AI 全自动分析，人工智能正在彻底改写无脊椎动物与幼虫行为研究的模式。目前该领域处于高速发展期，但方法标准不统一是最大瓶颈。

这套系统性综述给出的标准化方案，将为整个领域树立参考规范。随着技术持续迭代与标准落地，AI 与生物的跨界融合，必将在新药研发、生态保护、农业生产等领域释放更大价值。

有相关需求的你可以联系我们！