Predição de aprendizado de máquina e classificação de seleção comportamental em um programa de detecção olfativa canina

Scientific Reports volume 13, Artigo número: 12489 (2023) Citar este artigo

218 Acessos

2 Altmétrico

Detalhes das métricas

Há um interesse crescente em pesquisas comportamentais caninas especificamente para cães de trabalho. Aqui aproveitamos um conjunto de dados de uma coorte de detecção olfativa da Transportation Safety Administration de 628 Labrador Retrievers para realizar estudos de previsão e classificação de aprendizado de máquina (ML) de características comportamentais e efeitos ambientais. Os dados estavam disponíveis para quatro momentos durante um período de acolhimento de 12 meses, após o qual os cães foram aceitos em um programa de treinamento ou eliminados. Três algoritmos de ML supervisionados tiveram desempenho robusto em prever corretamente quais cães seriam aceitos no programa de treinamento, mas desempenho fraco em distinguir aqueles que foram eliminados (~25% da coorte). O período de teste de 12 meses produziu a melhor capacidade para distinguir cães aceitos e eliminados (AUC = 0,68). Estudos de classificação usando Análise de Componentes Principais e Eliminação de Características Recursivas usando Validação Cruzada revelaram a importância do olfato e características relacionadas à posse para um teste de busca e recuperação de terminal de aeroporto, e características de posse, confiança e iniciativa para um teste ambiental. Nossas descobertas sugerem quais testes, ambientes, características comportamentais e curso de tempo são mais importantes para a seleção de cães com detecção olfativa. Discutimos como essa abordagem pode orientar futuras pesquisas que englobem efeitos cognitivos e emocionais, e sociais e ambientais.

O aprendizado de máquina (ML) é um subcampo da Inteligência Artificial (IA) que usa uma combinação de algoritmos e estatísticas para executar uma variedade de funções analíticas em uma ampla variedade de tipos de dados. O ML é dividido em duas classes de algoritmos: aprendizagem supervisionada para dados de treinamento rotulados e não supervisionada para dados não rotulados. Os métodos supervisionados permitem aprender a partir de entradas e saídas conhecidas para fins de previsão de saídas desconhecidas a partir de entradas conhecidas (análise de regressão) ou para determinar quais categorias de dados são as mais importantes para prever resultados (análise de classificação). As aplicações supervisionadas de ML no comportamento canino usaram sensores inerciais montados em cães para criar etogramas caninos automatizados sensíveis às diferenças individuais1,2 e vídeo para classificar comportamento semelhante ao TDAH3. Estudos caninos de ML não supervisionados usaram dados de vídeo e do questionário comportamental C-BARQ para análise exploratória4 e dados de sensores para prever o sucesso do cão-guia5. Em humanos, a ML supervisionada usando dados de testes relevantes para tarefas não baseados em sensores tem sido aplicada para prever o sucesso no desempenho no trabalho6, mas não temos conhecimento de tais estudos em cães. Aqui usamos métodos supervisionados para prever quais cães terão sucesso durante um programa de pré-treinamento de detecção de odores ou falharão por razões comportamentais. Embora esta pesquisa tenha aplicado o uso em cães de trabalho, também é provável que contribua com novos entendimentos sobre aprendizagem e desempenho no trabalho em mamíferos em geral, inclusive em humanos. No entanto, a genética comportamental humana tende a ser marcada por altos níveis de heterogeneidade, poligenicidade e - devido à seleção evolutiva negativa de variações mesmo ligeiramente deletérias - tamanhos de efeito diminutos de variações individuais. Assim, os estudos em humanos exigiriam um poder muito maior e as variações identificadas não teriam utilidade direta. Em contraste, os cães reduziram bastante a heterogeneidade, a poligenicidade e a seleção negativa, e uma forte seleção positiva para diversas características7. O efeito final é que os cães apresentam um poder dramaticamente maior para mapear geneticamente todos os tipos de características. A desvantagem é que o desequilíbrio de ligação é várias vezes mais extenso em cães, resultando em grandes intervalos de mapeamento. No entanto, isso pode ser mitigado pelo mapeamento genético entre raças de variações que são comuns entre raças8,9,10.

Cães detectores olfativos têm sido empregados há muito tempo para farejar explosivos, substâncias controladas, outros materiais regulamentados (por exemplo, insetos, alimentos e plantas) e odores humanos para segurança pública e proteção11,12. Mais recentemente, as funções de detecção de odores caninos incluem condições médicas (por exemplo, marcador de glicose no sangue baixo no diabetes e infecção por SARS-CoV-213). Nos Estados Unidos, a maioria dos cães militares e policiais são treinados como caninos de dupla finalidade, realizando detecção e proteção de odores. Os outros grupos principais de cães de trabalho são cães-guia para pessoas com cegueira ou baixa visão e cães de serviço para ajudar pessoas com outras deficiências. A faixa de custos para a maioria dos cães de trabalho pré-treinados é de US$ 40.000 a US$ 80.000,14 e os preços continuam a subir porque a demanda excede a oferta. Esses custos podem ser aproximadamente duplicados quando o treinamento é levado em consideração. Como resultado desses fatos e do fato de a taxa geral de sucesso no treinamento ser inferior a 50%, há um enorme impulso para produzir e treinar cães de trabalho de forma mais eficiente11,15. Embora tenham havido estudos exploratórios e prospectivos de novos esquemas de testes para detecção e assistência a cães de trabalho, eles ainda não foram amplamente implementados16. No entanto, existem grandes conjuntos de dados de treinamento, desempenho e saúde de cães de trabalho de instituições federais e privadas que ainda não foram analisados ​​minuciosamente15,17. Assim, continua a ser possível que os conjuntos de dados padronizados existentes, que continuam a ser recolhidos e já são grandes e, portanto, ideais para ML, possam ser o caminho mais eficiente e produtivo para melhorar a compreensão das características comportamentais necessárias para cães de trabalho.