Prédiction par apprentissage automatique et classification de la sélection comportementale dans un programme de détection olfactive canine

Rapports scientifiques volume 13, Numéro d'article : 12489 (2023) Citer cet article

218 accès

2 Altmétrique

Détails des métriques

Il existe un intérêt croissant pour la recherche sur le comportement canin, spécifiquement pour les chiens de travail. Nous profitons ici d'un ensemble de données d'une cohorte de détection olfactive de la Transportation Safety Administration de 628 Labrador Retrievers pour effectuer des études de prédiction et de classification par apprentissage automatique (ML) des traits comportementaux et des effets environnementaux. Les données étaient disponibles pour quatre moments sur une période d'accueil de 12 mois, après quoi les chiens ont été acceptés dans un programme de formation ou éliminés. Trois algorithmes ML supervisés avaient de solides performances pour prédire correctement quels chiens seraient acceptés dans le programme de formation, mais de mauvaises performances pour distinguer ceux qui étaient éliminés (~ 25 % de la cohorte). La période de test de 12 mois a donné la meilleure capacité à distinguer les chiens acceptés et éliminés (AUC = 0,68). Des études de classification utilisant l'analyse en composantes principales et l'élimination de caractéristiques récursives à l'aide de la validation croisée ont révélé l'importance des traits liés à l'olfaction et à la possession pour un test de recherche et de récupération dans un terminal d'aéroport, ainsi que des traits de possession, de confiance et d'initiative pour un test environnemental. Nos résultats suggèrent quels tests, environnements, traits comportementaux et évolution temporelle sont les plus importants pour la sélection des chiens de détection olfactive. Nous discutons de la manière dont cette approche peut guider de nouvelles recherches englobant les effets cognitifs et émotionnels, ainsi que sociaux et environnementaux.

L'apprentissage automatique (ML) est un sous-domaine de l'intelligence artificielle (IA) qui utilise une combinaison d'algorithmes et de statistiques pour exécuter diverses fonctions analytiques sur un large éventail de types de données. Le ML est divisé en deux classes d'algorithmes : l'apprentissage supervisé pour les données d'entraînement étiquetées et l'apprentissage non supervisé pour les données non étiquetées. Les méthodes supervisées permettent d'apprendre à partir d'entrées et de sorties connues à des fins de prédiction de sorties inconnues à partir d'entrées connues (analyse de régression) ou de déterminer quelles catégories de données sont les plus importantes pour prédire les résultats (analyse de classification). Les applications de ML supervisées dans le comportement des chiens ont utilisé des capteurs inertiels montés sur des chiens pour créer des éthogrammes de chiens automatisés sensibles aux différences individuelles1,2 et des vidéos pour classer les comportements de type TDAH3. Les études de ML non supervisées canines ont utilisé des données vidéo et des questionnaires comportementaux C-BARQ pour une analyse exploratoire4, ainsi que des données de capteurs pour prédire le succès des chiens-guides5. Chez l'homme, l'apprentissage automatique supervisé utilisant des données de tests non basées sur des capteurs et pertinentes pour la tâche a été appliqué pour prédire le succès dans la performance au travail6, mais nous ne connaissons pas de telles études chez les chiens. Ici, nous utilisons des méthodes supervisées pour prédire quels chiens réussiront lors d'un programme de pré-entraînement à la détection des odeurs ou échoueront pour des raisons comportementales. Bien que cette recherche ait été appliquée aux chiens de travail, elle est également susceptible de contribuer à de nouvelles compréhensions de l'apprentissage et des performances au travail chez les mammifères en général, y compris chez les humains. Cependant, la génétique comportementale humaine a tendance à être marquée par des niveaux élevés d’hétérogénéité, de polygénicité et, en raison de la sélection évolutive négative de variations, même faiblement délétères, par des tailles d’effet infimes des variations individuelles. Ainsi, les études humaines nécessiteraient une puissance bien plus grande et les variations identifiées manqueraient d’utilité directe. En revanche, les chiens ont une hétérogénéité, une polygénicité et une sélection négative considérablement réduites, ainsi qu’une forte sélection positive pour divers traits7. L’effet ultime est que les chiens présentent un pouvoir considérablement plus élevé pour cartographier génétiquement toutes sortes de traits. L’inconvénient est que le déséquilibre de liaison est plusieurs fois plus étendu chez les chiens, ce qui entraîne de grands intervalles de cartographie. Cependant, cela peut être atténué par la cartographie génétique des variations communes entre les races8,9,10.

Les chiens détecteurs olfactifs sont utilisés depuis longtemps pour détecter les explosifs, les substances contrôlées, d'autres matières réglementées (par exemple, les insectes, les aliments et les plantes) et les odeurs humaines pour la sûreté et la sécurité publiques11,12. Plus récemment, les fonctions de détection des odeurs canines incluent des conditions médicales (par exemple, un marqueur d'hypoglycémie dans le diabète et une infection par le SRAS-CoV-213). Aux États-Unis, la plupart des chiens militaires et des forces de l'ordre sont dressés comme chiens à double usage, effectuant à la fois la détection des odeurs et la protection. Les autres principaux groupes de chiens de travail sont les chiens-guides pour les personnes aveugles ou malvoyantes et les chiens d'assistance pour aider les personnes souffrant d'autres handicaps. La fourchette de coûts pour la plupart des chiens de travail pré-entraînés va de 40 000 à 80 000 $14, et les prix continuent d'augmenter parce que la demande dépasse l'offre. Ces coûts peuvent être environ doublés lorsque la formation est prise en compte. En raison de ces faits et du fait que le taux global de réussite de la formation est inférieur à 50 %, il existe une forte impulsion pour produire et former des chiens de travail plus efficacement11,15. Même si des études exploratoires et prospectives ont été menées sur de nouveaux programmes de tests chez les chiens de travail de détection et d'assistance, ils n'ont pas encore été largement déployés16. Cependant, il existe de vastes ensembles de données sur le dressage, les performances et la santé des chiens de travail provenant d'institutions fédérales et privées qui n'ont pas encore été analysées de manière approfondie15,17. Il reste donc possible que les ensembles de données standardisés existants, qui continuent d'être collectés et sont déjà volumineux et donc idéaux pour le ML, soient la voie la plus efficace et la plus productive pour améliorer la compréhension des traits comportementaux requis pour les chiens de travail.