摘要目的:开发一种基于深度学习技术的便捷式步态跟踪系统用于检测实验鼠步态细节,并初步检测其在野生型小鼠和多种中枢神经系统疾病小鼠模型中的应用.方法:搭建简便的步态走廊,将小鼠放入走廊内自由行走4 min,从腹侧记录小鼠步行视频.从小鼠自由运动的视频中抽取120帧,使用DeepLabCut分析动物的运动,标记36个身体部位用于神经网络训练.应用该系统及网络对1、3、6和18月龄的野生型小鼠、APP/PS1小鼠(6月龄,阿尔茨海默病模型)、社会孤立(social isolation,SI)小鼠(3月龄,焦虑抑郁模型)、双侧颈动脉狭窄(bilateral carotid artery stenosis,BCAS)小鼠(3月龄,慢性脑缺血模型)和手术造模后1、3、7天的脓毒血症相关性脑病(sepsis-associated encephalopathy,SAE)小鼠(2月龄)的步态进行分析.结果:利用DeepLab-Cut可以在所有动物视频追踪中,展现出很高的准确性.3月龄野生型小鼠相比其他月龄小鼠运动速度最快,步幅提高.APP/PS1小鼠运动速度显著高于同龄对照,并伴有步幅增加和站立时间减少.SI小鼠步幅缩短,左前爪脚趾展开度和脚趾展开角度减小,提示存在脚爪姿势改变.BCAS小鼠在步幅上没有显著改变,但后肢脚趾展开度显著增大,脚趾展开角减小.SAE小鼠在术后1、3天运动速度下降,伴有步幅缩短和站立时间延长;术后7天运动速度低于对照小鼠但无显著差异,后肢脚趾展开度和脚趾展开角度小于对照组.结论:本研究搭建了基于深度学习的、便捷、低成本的步态分析设备,只需少量工作即可标记感兴趣的身体部位,比以往的步态分析方法更节省成本.应用这一设备描述了野生型小鼠各年龄组的步态特征,并证明阿尔茨海默病、焦虑抑郁状态、慢性脑缺血和脓毒血症相关性脑病模型小鼠表现出步态缺陷.