面向异常葡萄糖代谢小鼠面部表情识别改进模型的研究

从微小面容读出健康

异常血糖最为人所知的是其在糖尿病中的作用，但它也悄然影响大脑、情绪和整体健康。该研究表明，即使是小鼠，其代谢健康也会在面部体现出来。通过观察胡须、耳朵和眼睛等细微变化，并结合一种紧凑且智能的计算机视觉模型，研究人员展示了一种无需穿刺就能追踪血糖异常及治疗效果的新方法。

构建小鼠的前糖尿病与糖尿病模型

为了探究血糖变化如何在面部表现，团队首先需要能可靠地从正常代谢进展到异常然后再恢复的小鼠。他们采用了成熟的方法：高脂饮食联合破坏胰岛素分泌细胞的链脲佐菌素。雄性 C57BL/6J 小鼠被分为五组，一组维持标准饲料，其余组给予高脂饮食并注射该药物以诱发高血糖。随后，三组高血糖小鼠接受不同剂量的宽叶牛肝菌多糖（Sparassis latifolia 多糖，SLP）。数月内的反复血液检测显示出清晰规律：血糖由正常升至早期异常、进而发展为明显的高血糖，最终在高剂量 SLP 组出现下降，表明存在剂量依赖的改善。

将小鼠面部转成数据库

接着，研究者把日常的小鼠行为转化为丰富的图像库。两台相机——一台与眼平、一台自上方斜拍——在受控光照和温度下记录自由活动的小鼠，累计数千分钟视频。从390段视频中，团队手工挑选出2830张清晰的小鼠脸部图像。每张图像根据五种基于血糖的状态之一标注：正常、早期紊乱、完全异常，以及 SLP 治疗的早期或晚期阶段。专家随后在眼睛、耳朵、鼻子、嘴和胡须周围框出边界，捕捉反映不适、紧张或缓解的细微信号。这创建了一个标准化数据集，将面部表情直接与疾病与恢复期间的实测血糖水平关联起来。

设计小巧而敏锐的检测模型

识别这些表情并非易事：小鼠面部在每帧中很小，表情差异细微，笼内还有垫料、排泄物和同笼小鼠等视觉干扰。为应对这些挑战，团队在一种流行的实时视觉系统 YOLOv8 基础上改进，命名为 LFPP‑YOLO。他们增加了一个“部分自注意力”模块，该模块扫描整张图像但有选择地强调类似面部的区域，帮助模型忽略背景干扰。同时融入了一组轻量化模块，将不同尺度的信息融合，使系统既能识别整体头部，也能捕捉眼周和胡须周围的细纹与质地。改进的损失函数进一步促使模型在不规则、模糊的面部区域上绘制更紧更准的边界框。

与其他方法及真实场景的对比测试

在整理的数据集上，LFPP‑YOLO 在五种代谢状态上的平均检测准确率约为95%，F1 分数接近0.89。值得注意的是，该模型体积很小——约2.4兆字节——且速度很快，在测试硬件上分析一张图像仅需约5毫秒。在多组对比实验中，它优于传统的两阶段检测器和若干新版 YOLO 变体，尤其在识别小型、部分遮挡或倾斜的面部时表现突出。热图可视化显示，改进后的模型即使在有其他小鼠或垫料干扰的情况下，也学会聚焦于耳朵、眼睛和嘴部。在另一机构的独立验证中，基于表情的分类与血糖标签高度一致，统计学上常被描述为“几近完美”的一致性。

这对未来护理的可能意义

这项工作表明，面部表情可以作为小型动物代谢健康的实用、无创窗口。研究人员可以用相机和紧凑算法来追踪小鼠何时从正常代谢走向异常，以及何时通过饮食或药物干预开始逆转损害，而无需反复采血。尽管当前数据集在规模和条件上尚有限，还需工作将方法扩展到其他品系、不同光照和物种，但该研究指出了一个前景：在未来，动物乃至可能的人类慢性病的常规监测，或可越来越多地依赖面部的精细解读与智能视觉系统，而非针头和试纸。

引用: Guo, X., Shi, L., Ma, B. et al. Research on improved models for facial expression recognition in mice with abnormal glucose metabolism. Sci Rep 16, 8165 (2026). https://doi.org/10.1038/s41598-026-38863-3

关键词: 面部表情识别, 异常葡萄糖代谢, 小鼠糖尿病模型, 深度学习检测, 无创监测