基于深度学习的鼠筑巢行为量化：追踪衰老与阿尔茨海默病模型中的认知衰退
核心概要
该研究开发了基于ResNet18架构的AI图像分析流程“CozyScores”，对年轻与年老、野生型与3xTg-AD小鼠在0.5至24小时内的筑巢组织过程进行5分制评分，并在4小时基准时点观察到筑巢表现随年龄和基因型显著差异（年轻WT > 年轻AD > 年老WT > 年老AD，P < 0.05），24小时最大表现评分在年老组低于年轻组，且雄鼠总体上优于雌鼠。
深度剖析
研究提出并应用了基于ResNet18架构的AI图像分析流程“CozyScores”，用于自动、高分辨率地量化小鼠筑巢行为的动力学过程。 相较此前对筑巢表现偏定性、生理范围有限的评估，该流程通过0.5至24小时照片采集和5分制评分，增强了采样深度与频率。 证据来自摘要中对流程架构（ResNet18）和监测方式（0.5至24 h、5分制）的描述；当前加载文本未包含完整方法学细节，故对流程细节与评分一致性的判断有待全文。
在4小时基准时点，筑巢表现评分随年龄和基因型出现显著差异（P < 0.05），排序为年轻WT 3.80±0.18 > 年轻AD 3.16±0.24 > 年老WT 3.08±0.32 > 年老AD 1.71±0.14。 该结果把衰老与AD模型中的筑巢缺陷量化为可比较的动力学评分，并同时覆盖雄雌、年轻/年老、WT/3xTg-AD分组。 摘要报告了P < 0.05、均值±SEM及分组样本量（年轻WT n=28，年轻AD n=32，年老WT n=20，年老AD n=12）；完整统计模型和多重比较校正需见原文。
24小时最大表现评分在年老组低于年轻组（年老WT 4.24±0.13、年老AD 3.59±0.35；年轻WT 4.60±0.05、年轻AD 4.33±0.13），且雄鼠总体上优于雌鼠，尤其在2至8小时筑巢构建期。 补充了筑巢表现随时间变化和性别差异的观察，超出单一终点评分。 基于摘要中报告的分组均值±SEM和性别趋势描述；性别差异的效应量和统计细节未在摘要中展开。
启示与展望
该工作面向临床前衰老与AD研究场景：使用雄雌C57BL6/J野生型与3xTg-AD小鼠，在年轻（3–6月龄）与年老（21–26月龄）分组中，以0.5至24小时照片采集和5分制评分监测筑巢组织。它使研究者能在筑巢构建过程中获取更密集的动力学读数，并可在同一框架下比较年龄、基因型与性别；后续可用于需要自动、重复行为评分的实验设置。
读者仍会关注：CozyScores的AI评分与人工5分制评分的一致性如何，模型在不同笼具、光照、垫料或品系下能否泛化，4小时与24小时评分同其他认知/运动测试及AD病理指标的关系，以及性别差异的稳健性。当前加载文本仅为摘要与元数据，缺少图、表和方法细节，因此上述问题在本次可总结范围内仍属开放问题。