实验动物精神健康评估新视角:基于毛发特征的应激反应监测

李虹漫¹，陈昱彤¹，石英培¹，王伊静¹，潘 言¹，许 童³，周 艺¹，邓其跃¹，刘雪²

(1.陆军军医大学基础医学院,重庆100038;2.陆军军医大学生物医学工程与影像医学系，重庆400038；3. 陆军军医大学大坪医院，重庆 400042)

[摘要]实验动物的精神健康管理是保障科研数据可靠性的关键坏节，但受限于精神状态改变的隐匿性和现有评估手段的不足，该问题常被研究人员忽略，因此亟须探索一种客双且简便易行的精神健康评估新方法。压力应激作为诱导动物精神状态改变的主要因素，可通过神经-内分泌-免疫网络影响多个研究领域的实验结果。本文首先从导致压力应激的诱因、神经机制及具影响的研究领域3个维度阐明了重视实验动物精神健康管理的必要性，并指出在实验开始前剔除精神状态异常的动物，有助于提高生物医学实验的效率和结果的可重复性。其次，本文简要归纳了现有的实验动物健康检测方法，并指出行为学测试和代谢组学等方法在评估压力应激方面存在诸多局限，现有方法难以满足动物管理中对简便易行、客观且非侵入性评估方法的需求。为此，本文重点聚焦于毛发这一兼具累积性与非侵入性优势的生物样本，从毛发性状、毛发内物质含量和Al这3个方面系统阐述将毛发特征作为压力应激评估指标的理论基础与拉术进展，创新性地提出并论证了将毛发性状与AI图像分析相结合的技术路径，以期为实现非侵入性、客观的应激评估提供更优化的解决方案，同时为完善实验动物健康管理体系提供理论依据。

[关键词]实验动物;精神健康管理;压力应激;毛发;人工智能

A New Perspective on Mental Health Assessment in Laboratory Animals:Stress Response Monitoring Based on Hair Characteristics

LI Hongman¹, CHEN Yutong^1, SHI Yingpei¹, WANG Yijing1, PAN Yan¹, XU Tong³, ZHOU Yi¹, DENG Qiyue¹, LIU Xue²

(1. School of Basic Medicine, Army Medical University, Chorgqing 400038, China; 2. Department of Biomedical Engineering and Medical Imaging, Army Medical University, Chongqing 400038, China;3. Daping Hospital, Army Medical University, Chongqing 400042, China)

[ABSTRACT] The mental health management of laboratory animals is a critical factor in ensuring the reliability of scientific research data. However, due to the concealed nature of mental state alterations and the limitations of current assessment methods, it is often overlooked by researchers. Therefore, there is a need to explore objective, simple and practical methods for evaluating mental health. Stress, as a primary factor altering the mental state of animals, can influence experimental results across multiple research fields through the neuro-endocrine-immune network. This paper first elucidates the necessity of mental health management in laboratory animals from three perspectives: the factors contributing to stress, the neural mechanisms of stress, and the research areas affected by stress. It highlights that excluding mentally unhealthy animals before experiments can enhance the efficiency and reproducibility of biomedical studies. Second, this paper briefly summarizes methods for assessing the health of laboratory animals, pointing out that approaches such as behavioral studies and metabolomics have limitations in evaluating stress responses. Existing methods struggle to meet the demand for simple, objective, and non-invasive assessments of chronic stress in animal management. Therefore, this paper focuses on hair as a novel indicator for assessing stress. It systematically elaborates on its theoretical basis and evaluation method advancements from four aspects: hair traits, corticosterone, proteins, and artificial intelligence (AI). It innovatively proposes and demonstrates a technical pathway combining hair trait analysis with AI-based image analysis, offering a new solution for non-invasive, objective stress assessment and providing theoretical support for improving the health management system of laboratory animals.

[Key words] Laboratory animals; Mental health management; Stress; Hair; Artificial intelligence

实验动物健康管理是通过标准化程序对动物生理及精神健康进行全流程监测、评估与维护的综合体系，其核心目标是保障动物福利与实验数据的可靠性^[1]。相较于易于监测的生理健康，由长期压力应激（stress）导致的动物精神健康问题，因其改变的隐匿性和评估手段的局限性，已成为影响科研数据可靠性与可重复性的关键瓶颈^[2]。在标准化的实验环境中，累积的压力应激是导致动物精神状态异变（如焦虑、抑郁样行为）的最主要上游诱因。因此，若能客观追溯并量化动物的长期压力史，便能从病因学源头对潜在的精神健康风险进行高确定性的间接评估。这就迫切需要一种能够记录并整合长期生理信息的非侵入性生物指标。 

作为一种独特的生物组织，毛发在生长过程中能够持续受机体循环系统中的应激激素等物质影响。这一特性使其有望成为评估累积性压力应激的理想生物指标，从而克服传统行为学评估方法侵入性强、操作复杂且只能反映瞬时状态的局限性。本文旨在系统阐述以毛发为载体评估实验动物精神健康的新视角，探讨其方法学进展，并创新性地提出结合人工智能的技术路径，为建立客观、简便的动物精神健康管理新范式 提供理论依据和技术展望。

1 实验动物精神健康管理的必要性 

压力应激是人或动物对外部刺激、环境需求或超出身体应对能力的刺激产生的非特异性反应^[3]，长期处于压力应激状态会使动物产生焦虑和抑郁^[4]。实验动物应用于各种研究领域，而实验过程中引起的压力应激可能导致实验结果的不稳定，浪费科研人员的宝贵的时间，甚至因掩盖真正的生物学效应而导致结论错误。 

1.1 影响压力应激的因素 

大量研究表明，实验动物的压力应激可由环境、社会、微生物等因素触发。 

饲养环境的噪音、温湿度、人员操作等都有可能造成实验动物的应激状态。如小鼠持续4周暴露于85dB以上噪音能够诱发压力相关的焦虑样行为，包括旷场中心区域活动减少、暗环境时间增加、社交活动减少等^[5]。小鼠处于温湿度异常（如37℃结合相对湿度85%）环境2周使皮质酮水平显著升高，可能与下丘脑神经元激活有关^[6]。 饲养人员和实验人员的操作规范同样关键，尾部抓取比隧道法更容易导致小鼠皮质酮升高^[7]。

 群居动物的社会地位、群体密度、社会隔离等社会因素也会影响动物的压力水平。 慢性社交孤立56d的小鼠表现出明显的焦虑和抑郁样行为，如对高架十字迷宫开放臂 的探索减少，皮毛质量降低等^[8]。社会加视觉隔离90d能诱导恒河猴产生挛缩、瘙痒等焦虑和抑郁样行为，且与能量代谢和炎症反应相关^[9]。 

微生物（包括病原微生物和肠道共生菌群）可通过直接感染、免疫激活或代谢产物调控等途径影响小鼠的压力应激反应。细菌或病毒感染后，免疫细胞释放炎症因子， 激活丘脑-垂体-肾上腺（hypothalamic-pituitary-adrenal，HPA）轴和交感神经系统 （sympathetic nervous system，SNS），导致皮质酮和肾上腺素水平升高^[10]。

 1.2 压力应激的生理机制 

当机体感知到压力时，SNS迅速激活，促使肾上腺髓质释放儿茶酚胺类激素（肾 上腺素、去甲肾上腺素），引发“战斗或逃跑”反应，表现为心率加快、血压升高、血糖升高等生理变化^[11]。同时，HPA轴被激活，下丘脑分泌促肾上腺皮质激素释放激素， 使垂体释放促肾上腺皮质激素，最终刺激肾上腺皮质分泌糖皮质激素（如哺乳动物分 泌皮质醇，啮齿类动物分泌皮质酮）^[12] ，这一神经内分泌通路主要引起机体的应激反应，抑制非必需生理功能并动员机体能量。糖皮质激素通过负反馈抑制HPA轴， 防止激素过度释放，但长期应激可导致HPA轴失调，引发持续高皮质醇水平^[13]。 

以上激素的释放会影响免疫系统的功能。短期应激可增强免疫功能，如促进炎症 因子白细胞介素6（interleukin-6，IL-6）、肿瘤坏死因子α（tumornecrosis factor-α， TNF-α）等释放，增强抗感染能力^[14]。但长期应激会抑制免疫反应，如减少T淋巴细胞增殖、降低免疫细胞活性，并诱发慢性低度炎症，增加代谢性疾病如胰岛素抵抗、 动脉粥样硬化等疾病发生的风险^[10]。此外，高糖皮质激素水平可损害海马的神经发生， 影响认知功能和情绪调节，导致焦虑、抑郁样行为^[15]。 

1.3 受压力应激影响的研究领域

压力应激可能对生物医学中多个相关领域的研究产生干扰，如神经科学、免疫学、 药理学、肿瘤生物学、代谢病学、生殖与发育学等。表1重点分析了压力应激对相关 研究产生影响的可能机制和受影响的研究方向，并给出了示例。 

在神经科学领域，慢性压力通过改变神经递质平衡和损害突触可塑性导致实验动物出现认知功能障碍和情绪调节异常^[16]。如小鼠在行为学测试中表现为空间学习能力下降、不动时间延长以及糖水偏好降低等典型的抑郁样行为[17]。这些改变会严重影响学习记忆等神经科学相关研究的实验结果可靠性。

在免疫学研究中，压力应激表现出明显的时相性特征。免疫功能的改变会干扰感染性疾病、自身免疫疾病等相关研究，如对C57BL/6小鼠进行物理约束显著改变了对流感病毒感染的炎症反应，并抑制了抗病毒细胞免疫^[18]。 

药理学研究同样受到压力应激的影响。应激状态可通过改变细胞中酶的表达和活性，影响药物的代谢动力学特征。例如，应激可加速大鼠中某些药物的代谢，导致治疗失败^[19]。此外，应激诱导的神经内分泌和免疫系统改变还会影响药物靶点的表达和功能，这些因素都会给药效研究和安全性评价带来潜在偏差。 压力应激也会影响肿瘤生物学的研究。慢性压力应激导致长期的炎症反应和机体免疫监视能力下降，促进肿瘤发生发展，如慢性应激通过抑制细胞毒性T淋巴细胞使紫外线诱导的鳞状细胞癌的敏感性增高^[20]；在肿瘤实验中，压力应激可能通过抑制保护性T细胞功能和抑制免疫监视而影响免疫治疗效果的评价^[21-22]。 

在代谢病学研究中，压力应激激活HPA轴，糖皮质激素过量分泌，诱导肝脏和脂肪组织胰岛素抵抗，导致血糖升高甚至糖尿病的发生，出现代谢功能障碍相关脂肪肝^[23]。这些会使糖尿病和脂肪肝病模型产生偏差。 

在生殖与发育领域，压力应激状态下糖皮质激素和促肾上腺皮质激素释放激素会抑制促性腺激素分泌，从而导致生殖内分泌发生改变，出现黄体生成素和促卵泡激素分泌减少，影响蝙蝠生殖细胞和生殖器官的发育^[24]。应激还会诱导小鼠生殖细胞表观遗传改变，并通过配子将影响遗传给后代^[25]。 

综上，压力应激通过神经-内分泌-免疫网络的相互作用，影响实验动物的生理机能和行为表现，进而干扰科研数据的可靠性。如果能够在实验开始前确定压力应激水平较高的个体并提前剔除，就能提高生物医学实验综合效率及可重复性。

 2 实验动物健康检测方法 

动物精神状态的改变会影响实验数据的可靠性，由于其外在表象不明显，科研人员较少开展主动检测，且目前主要通过行为学、代谢组学等有限方法进行评估。但正如前文所述，压力应激会导致神经内分泌、免疫等相关生物分子水平改变，进而影响动物的生理和行为，因此生理健康状态的检测方法也可用于检测应激状态。为清晰地凸显现有评估体系的不足与发展新路径的必要性，本节首先对传统的生理健康与精神健康检测方法进行简要梳理。 

2.1 生理健康检测方法 

常见的生理健康检测方法主要有生理信号监测（心电、脑电、血压、体温等）、 生化和免疫指标检测、病理学检测、微生物和寄生虫检测等，均是基础健康筛查手段。 急性应激状态时激素水平变化剧烈，使动物的生理状态出现明显的异常，可用常规方法进行辅助评估。但慢性压力呈现持续性、间歇性和反复性的特点，常规生理信息可能变化不显著^[26]，或机体因出现适应性反应而导致生化和免疫指标水平下降 ^[27]，因此常规生理健康检测方法对慢性压力下机体状态的缓慢改变评估敏感性不足。 

2.2 精神健康检测方法 

2.2.1 行为学检测 

近年来，随着对实验动物精神健康研究的深入，多种行为学测试方法被广泛应用于评估实验动物的精神状态，尤其是焦虑和抑郁相关行为。 

旷场实验（openfieldtest）通过评估实验动物在新环境中的自主运动与探索行为， 反映其焦虑水平与神经功能状态。实验在方形或圆形开放场地中进行，记录动物总运动距离、中央区域停留时间及直立次数等指标^[28]。该方法操作简便，能够提供关于动物焦虑和探索行为的丰富信息，但实验结果受到动物个体差异和环境因素的影响，需要综合其他行为学测试结果进行分析。

 强迫游泳实验（forcedswimtest）是评估抑郁样行为的经典方法，通过记录动物在无法逃脱的水缸中的不动时间来反映行为绝望程度^[29]。该方法重复性好，但其实验结果受动物品系、饲养方式、环境因素等影响较大，且更适用于急性而非慢性抑郁模型评估^[30]。 

悬尾实验（tailsuspension test）也是一种操作简便的动物抑郁样行为研究方法。 将动物的尾巴固定在支架上，使其悬空，记录其在一定时间内的不动时间。不动时间越长，表明动物的抑郁程度越高^[31-32]。其结果对于动物品系、昼夜温差、性别的高度 敏感性给研究的标准化和结果解释带来了挑战。 糖水偏好实验（sucrosepreference test）通过测量动物对1%~2%蔗糖溶液的偏好率来评估快感缺失这一核心抑郁症状。正常动物偏好率可达65%~80%，而慢性应激组可降至40%以下^[33]。该方法虽然不需要专门的设备，但步骤较多，所需时间较长， 结果可能受代谢疾病或味觉异常影响，建议联合体重变化分析。 

2.2.2 代谢组学 

随着现代检验技术的发展，代谢组学在对实验动物的健康检测和多种疾病的机制探索中应用日益增多^[34]。由于压力应激通过神经-内分泌-免疫的相互作用对动物行为产生影响，该技术可以提供激素、神经递质等分子层面的客观证据。例如，慢性应激大鼠海马区谷氨酸水平和NMDA受体表达均升高，而抗抑郁药度洛西汀（duloxetine） 处理可逆转此变化^[35]。但数据处理及分析的复杂性以及对检测工具的精密要求一定程度限制了这种检测手段的发展和推广。 

虽然以上方法在监测实验动物精神健康方面已经较为成熟，综合运用这些方法可以更全面地评估实验动物的精神健康状态。但行为学和代谢分子检测均需要特定的设备，且需要较长的时间，而游泳、悬尾等实验操作本身即为压力应激的来源，难以满足动物管理中简便易行、客观且非侵入性评估长期压力应激的需求^[36]。因此，开发一 种能够客观反映动物应激水平的新方法成为当务之急。 

3 毛发特征可作为压力应激的评估指标 

在探讨新的评估指标前，需首先明确一个关键的逻辑前提：尽管本文的核心目标是评估动物的精神健康，但毛发特征这一生物指标直接反映的却是压力应激水平。这 两者之所以能够关联，是因为在标准化的实验环境中，长期的、累积的压力应激是导致动物产生可观测的负面精神状态（如快感缺失、行为绝望等）最主要、最直接的上 游诱因。因此，通过客观检测记录在毛发中的累积应激信息，研究人员能够从病因学的源头出发，对由该压力史所导致的潜在精神健康问题做出高确定性的间接评估。这为开发新型评估方法提供了坚实的理论基础。 

研究人员早在1950年代就已经注意到压力应激可导致动物的毛发颜色、数目和光泽度等性状的改变^[37]。后人在此基础上进一步给出了现象背后的机制解析，如Zhang 等人发现压力应激可导致小鼠色素干细胞耗竭并引发毛发颜色改变^[38]，而Wang等人 证明了压力应激可抑制小鼠毛发的生长^[39]。以上研究说明毛发特征可以作为评估压力 应激的新型指标，值得进行专门的进展回顾与讨论。 

3.1 毛发特征作为压力应激评估指标的理论基础

 3.1.1 毛发与压力应激的关系 

毛发作为独特的生物指标，能够客观记录机体长期的压力应激状态。这种关联主要体现在以下两个方面：首先，毛发在生长过程中会持续将循环系统中的皮质酮等应激激素整合入毛干结构。研究表明，人毛发皮质醇浓度与慢性压力暴露程度呈显著正相关，且能反映过去1~3个月内的累积应激水平^[40]。其次，压力应激通过神经内分泌 途径直接影响毛囊生物学特性。Sharpley等也提到压力应激对毛发中皮质醇和蛋白质水平的影响，发现其与脱发、焦虑等多种疾病相关^[40-41]。此外，小鼠中过高的皮质酮会抑制毛囊干细胞活性，缩短毛发生长期，从而导致脱发^[42]。可见，毛发能够在一定程度上反映由压力应激导致的动物健康状态改变。 

3.1.2 毛发受压力应激影响的分子机制 

毛囊是一个高度活跃的微型器官，包含毛囊干细胞、黑素细胞、毛乳头细胞、肥大细胞、神经纤维等多种组分，其中毛囊干细胞是毛发生长和再生的关键细胞^[43]。研究表明，毛囊干细胞对压力应激高度敏感，压力应激可以通过抑制毛囊干细胞的活性导致脱发。多项关于压力诱导脱发（或毛发变白）机制的研究表明，这一过程是基于 HPA轴、炎症和氧化应激的诱导模式^{[12,40,44-48]}。 首先，压力应激激活HPA轴，导致皮质醇水平升高[^44]，抑制毛囊干细胞活性^[45]。 Pang 等人研究探讨了小鼠HPA轴在压力诱导的脱发中的作用，发现压力应激通过激活HPA轴增加皮质酮释放，进而抑制毛囊生长^[46]。Stalder等人进一步系统分析了毛 发皮质醇作为HPA轴激活的生物标志物在慢性压力中的作用^[40]。其次，压力应激会导致局部炎症反应，释放促炎症因子，损伤毛囊^[12]。Pang等研究揭示了肥大细胞在压 力诱导的炎症反应和脱发中的关键作用^[46]。压力应激还能使活性氧（reactiveoxygen species，ROS）积累，造成氧化损伤，影响毛发生长。Trüeb等发现压力应激增加ROS 水平，导致毛囊损伤^[47]。Wang等人的研究揭示了压力应激通过氧化应激影响毛囊生 物学，导致毛发生长周期紊乱^[48]。 

3.1.3 毛发性状与物质含量的改变 

压力应激对毛发的影响不仅体现在毛发生长周期的改变上，还会导致毛发的具体性状和物质含量发生变化。表2根据前述机制列出了毛发的主要变化。 这一系列性状和物质含量的改变可以作为评估压力应激水平的潜在新参数，并开发相应的检测方法，为维护动物毛发健康和整体健康提供新的思路。 

3.2 毛发作为压力应激评估指标的评估方法进展 

毛发作为评估压力应激的目标组织，近年来受到越来越多的关注。与传统方法相比，其优势在于能够整合长期的压力暴露水平与直观的多维信息，以及样本易于获取和保存。通过毛发组织可以获得性状、皮质酮、蛋白因子等多维度的信息，且结合人工智能可进行更全面的分析，是压力应激评估指标较为理想的选择。以下将分别阐述这些维度的检测进展，并最终聚焦于如何通过人工智能技术实现它们的融合与自动化分析。

 3.2.1 性状评估方法进展 

对于性状的评估，传统方法主要通过肉眼观察或显微镜检查，评估毛发的密度、 直径、颜色、质地等参数的变化。Hadshiew等人通过显微镜观察和临床评估，发现心理压力会导致毛发密度显著降低，并伴随毛囊萎缩^[49]。Choi等利用显微镜观察发现， 压力会抑制毛囊的再生能力，从而导致毛发直径减小^[50]。Zhang等通过显微镜观察和分子生物学方法，揭示了压力导致毛囊中的黑色素干细胞耗竭，进而使毛发变白的机 制^[51]。Kim 等使用扫描电子显微镜观察发现，压力会导致毛发表面鳞片层受损，质地变粗糙，并伴随毛干断裂现象^[52]。

 可见，对于毛发性状的评估以观察为主，主观性强，缺乏客观量化指标，难以准确评估压力应激水平。此外，不同动物品系在遗传背景、营养状况、年龄、性别、季 节性换毛等影响因素上可能也存在差异，并影响评估结果。因此，开发基于人工智能图像分析的自动化评估系统，已成为突破该瓶颈的必然选择。

3.2.2 毛发物质含量检测方法进展 

长期压力应激会导致毛发中各类物质的含量发生改变。其中皮质酮含量是否升高 是常用的压力应激评估指标，可用酶联免疫吸附法（enzyme-linkedimmunosorbent assay，ELISA）检测毛发中的皮质酮含量。Stalder等综述了人毛发皮质醇作为慢性压力生物标志物的研究进展，发现毛发皮质醇水平与长期压力暴露显著相关，且毛发样本的采集和处理方法对结果有重要影响^[40]。 

ELISA 方法灵敏度和特异性高，操作相对简单，是目前最常用的毛发压力应激评估方法。但是不同于血液样本可直接使用，毛发样本需要经过破碎、裂解、去除杂质等步骤后才能获得蛋白质等生物分子用于生化分析。这些复杂的样本前处理，与分析结果的可靠性密切相关，易导致目标分子损失与变异增大；同时，尽管ELISA本身灵敏度高，但无法进行多重分析，通常一次ELISA实验只能检测一种生物标志物，信息量有限，时间成本较高。 

压力应激还可能导致毛发中角蛋白、促炎因子、生长因子等蛋白质表达水平发生变化（表2）。如角蛋白的表达减少，直接导致毛发强度与弹性下降，表现为毛发干燥、易断 ^[54]；促炎因子的表达增加和生长因子的表达减少分别通过引发毛囊炎症微 环境和抑制毛发生长周期来影响毛发状态^[50,55]。可通过蛋白质组学等分子生物学方法 检测毛发中与压力应激相关的蛋白质表达谱的变化。吴晓淋等人总结性论述了可用蛋白质组学方法分析人类毛发中的蛋白质组成，其蛋白组成和组分变化有望用于评估机体特定时间内受压水平，以此将毛发作为人体少有的具有时间延续性的生物学样本， 为毛发作为压力评估指标提供了新的研究方向^[57]。蛋白质组学技术灵敏度高，可检测到微小的表达变化，但成本较高，数据分析复杂，难以推广。 

表2还提及了代谢物质谱和微量元素含量的改变，这些变化同样与压力下的代谢重编程和合成障碍有关。对这些物质的检测通常需要借助如代谢组学^[58]、元素分析^[59]这些更精密的分析技术。Kempson等权威综述详细评述了用于毛发元素分析的各种技术，如电感耦合等离子体质谱法^[60]。尽管代谢组学和元素分析技术为毛发压力生物指标研究提供了广阔前景，但这些技术本身存在显著的局限性，如技术复杂性、高成本、 标准化与重复性难题等等，是其从研究工具走向常规应用必须克服的障碍。

 3.2.3 基于人工智能的毛发特征量化分析方法进展 

如前所述，传统的毛发性状评估（3.2.1节）高度依赖肉眼观察，存在主观性强、 效率低下且难以精确量化的问题。而人工智能（artificialintelligence，AI），特别是计算机视觉（computervision，CV）和深度学习技术的发展，为实现毛发特征的客观、 精确、自动化量化提供了全新的技术路径。虽然AI在毛发物质含量的数据分析中已显示出潜力^[61] ，但其在更直观、更易获取的毛发图像特征分析方面的进展，对建立简便易行的压力评估模型尤为关键。 

人工智能技术，特别是以卷积神经网络（convolutionalneuralnetwork，CNN）为代表的深度学习方法，已在毛发图像分析的多个关键环节实现突破，为毛发特征的自动化、高精度量化奠定了算法基础。该过程始于毛发图像的精确分割，这是所有后续分析的前提。在复杂皮肤背景或密集毛发区域中，传统图像处理方法难以准确分离单根毛发，而基于U-Net架构及其变体的深度学习模型已在毛囊镜图像或高倍放大照片中实现了像素级的毛发分割^[62]。在实现精准分割的基础上，AI算法进一步实现了对多种毛发形态学特征的自动量化。例如，基于目标检测（如YOLO系列）或密度图估计（density map estimation）的模型可自动对毛囊单位进行计数并计算毛发密度，为评估脱发状况和毛发生长周期提供关键数据^[63]。此外，针对颜色与质地（光泽度）的评估，AI技术通过分析图像的颜色直方图、灰度共生矩阵或纹理特征，能够量化毛发的色素缺失程度（灰度值）和表面光泽度，将“颜色变白”、“色泽黯淡”等主观描述转化为精确的量化指标^[64]。 

尽管将AI直接用于通过毛发特征评估实验动物压力应激仍属前沿探索，但相关算法在多个相近领域的成功应用，为这一技术路线的可行性提供了有力的旁证。目前， 最为成熟的应用领域是临床皮肤科学，尤其是在脱发疾病的辅助诊断中。人工智能辅助的毛囊镜分析系统能够自动量化雄激素性脱发和斑秃等疾病的关键指标，如毛发密度、毛干直径变异性等^[65]。在动物科学与福利评估领域，计算机视觉技术已被用于对家畜皮毛状况进行非接触式监测。如牛的皮毛颜色、斑块、花纹和纹理等表型特征与其营养健康状况密切相关，而AI系统通过持续监测这些特征的细微变化，可实现对其健康状态的自动化监控^[66]。此外，在化妆品科学领域，自动化图像分析技术已成为 客观评估护发产品功效（如对光泽度、顺滑度及发梢分叉的改善效果）的重要工具^[67]。 

综上所述，人工智能，特别是深度学习驱动的计算机视觉技术，在毛发的精确分割、形态量化和质地评估方面已经拥有了坚实的算法基础，并在临床医学、动物福利评估等领域取得了成功的应用。这些成熟的技术进展，为本文创新性提出的、通过量化分析实验动物毛发特征来间接评估其长期压力应激水平的技术路线（如图1所示）， 提供了有力的技术可行性支撑。该路径将传统的主观观察转变为客观的、可重复的数据驱动分析，有望解决当前动物精神健康评估中面临的瓶颈问题。 

根据已有研究进展，未来的技术路径可设想为（图1）：1) 标准化图像采集：建立统一光照、角度和放大倍率下的实验动物毛发图像数据库，并标注对应的应激水平金标准数据。2) 特征提取与模型训练：利用深度学习网络（如CNN）自动提取毛发密度、颜色灰度、光泽度、粗细等高维量化特征，构建端到端的应激水平评估模型。 3) 模型解释与机制探索：利用可解释性人工智能（explainableartificialintelligence，XAI） 技术，分析模型做出判断所依据的关键图像特征，探究这些特征与压力应激相关的生物学意义，从而打开算法“黑箱”，实现从数据关联到机制理解的跨越。4) 模型验证与迭代优化：将AI模型的评估结果与传统的金标准（如毛发皮质酮含量、行为学得分）进行多维度相关性分析与验证，根据XAI的分析结果指导模型迭代优化。5) 开发便捷应用：最终开发出可集成于手机或手持设备的应用程序，实现对实验动物应激水平的即拍即评。

4 总结与展望 

本文首先阐明了实验动物精神健康管理的必要性，在系统剖析了传统应激评估方法局限性的基础上，重点论证了以毛发特征为核心、结合人工智能技术的新评估路径的巨大潜力。其中实验动物压力应激通过HPA轴/SNS通路引发皮质酮持续升高，进而抑制毛囊生长、改变毛发性状的机制链条的建立，为评估动物精神健康提供了一个全新的病因学视角。这正是本文的核心论点：通过捕捉毛发这一关键回顾性标志物中记录的累积性压力信息，研究人员能够从问题的源头对潜在的精神健康风险进行高确定性的间接评估。在此基础上，本文进一步探讨了利用人工智能分析毛发性状改变、 建立应激水平智能评估策略的可行性和技术路线，旨在最终实现易于推广的非侵入 性、客观的实验动物精神健康状态快速筛选。更重要的是，该技术路径高度契合现代实验动物福利伦理的“3R”原则（即替代Replacement、减少 Reduction 和优化 Refinement）。尤其在“优化”层面，通过非侵入性的毛发采样来评估长期累积的压力状态，可以有效替代或减少如强迫游泳、悬尾等应激性行为学实验，以及反复的侵入性生理取样（如采血），从而最大限度地减少对动物造成的痛苦和干扰，显著提升其福利水平。这不仅是科学研究的伦理要求，更是保证实验数据免受额外应激源污染、 提高研究质量的科学前提。 

值得注意的是，尽管该技术路径前景广阔，但在实际应用中可能仍将面临若干挑战。首先，是数据采集的标准化问题。毛发图像的质量受光照、角度、放大倍率及背景等因素的显著影响，建立一套高度标准化的图像采集方案是保障模型稳定性的前提。其次，是混杂因素的有效排除。动物的品系、年龄、性别、营养状况乃至季节性 换毛等均可能引起毛发性状的改变，人工智能模型必须具备从这些复杂的生物学背景 中精准识别出由压力应激引起的特异性改变的能力。最后，是模型的泛化能力验证。基于特定品系（如C57BL/6小鼠）训练的模型，能否直接推广至其他品系（如BALB/c 小鼠）或不同物种（如大鼠），其跨品系、跨物种的有效性仍需大量实验数据验证。 解决这些挑战是该技术从理论走向应用的关键。

[参考文献 References]

[1]  张静, 刘苗苗, 唐倩倩, 等. 实验动物质量保障体系和服务体系建设[J]. 实验动物 科学,2023, 40(4): 62-68. DOI: 10.3969/j.issn.1006-6179.2023.04.012. 

ZHANG J, LIU M M, TANG Q Q, et al. Construction of laboratory animal quality assurance and service system[J]. Lab Anim Sci, 2023, 40(4): 62-68. DOI: 10.3969/j.issn.1006-6179.2023.04.012. 

[2] The PLOS ONE Staff. Correction: Environmental enrichment effects after early stress on behavior and functional brain networks in adult rats[J]. PLoS One, 2020, 15(4): 1. DOI: 10.1371/journal.pone.0231586. 

[3] TONHAJZEROVA I, MESTANIK M. New perspectives in the model of stress response[J]. Physiol Res, 10.33549/physiolres.933674. 2017, 66(Suppl 2): S173-S185. DOI: 10.33549/physiolres.933674.

[4] SHI D D, WANG L P, LI X M, et al. Biological mechanisms of stress-related mental disorders[J]. Sci Sin-Vitae, 2025, 55(7): 1361-1372. DOI: 10.1360/ssv-2024-0346. 

[5] PENG X Q, MAO Y F, TAI Y J, et al. Characterization of anxiety-like behaviors and neural circuitry following chronic moderate noise exposure in mice[J]. Environ Health Perspect, 2023, 131(10): 107004. DOI: 10.1289/EHP12532. 

[6] YANG M, LUO Y, HAO X Z, et al. Effects of high temperature and high humidity stress on the negative feedback regulation of hippocampus on HPA axis in rats[J]. Neuro Endocrinol Lett, 2021, 42(5): 312-320.

[7] HENDERSON LJ, SMULDERSTV,ROUGHAN JV.Identifying obstacles preventing the uptake of tunnel handling methods for laboratory mice: an international thematic survey[J]. PLoS One, 2020, 15(4): 1-18. DOI: 10.1371/journal.pone.0231454.

 [8] BRAGA-DIASAC, CARDENAS OTEROS J,CAVALCANTE OLIVEIRAMK,et al. Social isolation induces sex-differentiated sensory-emotional pain responses and oxytocinergic receptors alterations in mice[J]. Eur J Pain, 2025, 29(8): e70106. DOI: 10.1002/ejp.70106. 

[9] QIN Y H, JIANG X F, LI W, et al. Chronic mild stress leads to aberrant glucose energy metabolism in depressed Macaca fascicularis models[J]. Psychoneuroendocrinology, 2019, 107: 59-69. DOI: 10.1016/j.psyneuen.2019.05.007. 

[10] BALAKIN E, YURKU K, IVANOV M, et al. Regulation of stress-induced immunosuppression in the context of neuroendocrine, cytokine, and cellular processes[J]. Biology, 2025, 14(1): 1-29. DOI: 10.3390/biology14010076. 

[11] WALTHER L M, WIRTZ P H. Physiological reactivity to acute mental stress in essential hypertension—a systematic review[J]. Front Cardiovasc Med, 2023, 10: 1-22. DOI: 10.3389/fcvm.2023.1215710. 

[12] LIGHTMAN S L, BIRNIE M T, CONWAY-CAMPBELL B L. Dynamics of ACTH and cortisol secretion and implications for disease[J]. Endocr Rev, 2020, 41(3): bnaa002. DOI: 10.1210/endrev/bnaa002. 

[13] BEUSCHLEIN F, ELSE T, BANCOS I, et al. European society of endocrinology and endocrine society joint clinical guideline: diagnosis and therapy of glucocorticoid-induced adrenal insufficiency[J]. J Clin Endocrinol Metab, 2024, 109(7): 1657-1683. DOI: 10.1210/clinem/dgae250. 

[14] OBEAGU E I. Stress, neutrophils, and immunity: a dynamic interplay[J]. Ann Med Surg, 2025, 87(6): 3573-3585. DOI: 10.1097/MS9.0000000000003304. 

[15] ODAKA H, ADACHI N, NUMAKAWA T. Impact of glucocorticoid on neurogenesis[J]. Neural 10.4103/1673-5374.211174. Regen Res, 2017, 12(7): 1028-1035. DOI: 

[16] KRASNER H, ONG C V, HEWITT P, et al. From stress to synapse: the neuronal atrophy pathway to mood dysregulation[J]. Int J Mol Sci, 2025, 26(7): 1-37. DOI: 10.3390/ijms26073219. 

[17] KOKKOSIS A G, MADEIRA M M, HAGE Z, et al. Chronic psychosocial stress triggers microglial-/ macrophage-induced inflammatory responses leading to neuronal dysfunction and depressive-related behavior[J]. Glia, 2024, 72(1): 111-132. DOI: 10.1002/glia.24464. 

[18] SHERIDAN J F, FENG N G, BONNEAU R H, et al. Restraint stress differentially affects anti-viral cellular and humoral immune responses in mice[J]. J Neuroimmunol, 1991, 31(3): 245-255. DOI: 10.1016/0165-5728(91)90046-a. 

[19] XIA Z C, WEI H Y, DUAN J J, et al. Chronic unpredicted mild stress-induced depression alter saxagliptin pharmacokinetics and CYP450 activity in GK rats[J]. PeerJ, 2016, 4: 1-15. DOI: 10.7717/peerj.1611.

 [20] SAUL A N, OBERYSZYN T M, DAUGHERTY C, et al. Chronic stress and susceptibility to skin cancer[J]. J Natl Cancer Inst, 2005, 97(23): 1760-1767. DOI: 10.1093/jnci/dji401.

 [21] LEI Y R, LIAO F H, TIAN Y C, et al. Investigating the crosstalk between chronic stress and immune cells: implications for enhanced cancer therapy[J]. Front Neurosci, 2023, 17: 1-17. DOI: 10.3389/fnins.2023.1321176. 

[22] YANG H, XIA L, CHEN J, et al. Stress-glucocorticoid-TSC22D3 axis compromises therapy-induced antitumor immunity[J]. Nat Med, 2019, 25(9): 1428-1441. DOI: 10.1038/s41591-019-0566-4. 

[23] DEMORI I, GRASSELLI E. The role of the stress response in metabolic dysfunction-associated fatty liver disease: a psychoneuroendocrineimmunology-based perspective[J]. Nutrients, 2023, 15(3): 1-16. DOI: 10.3390/nu15030795.

 [24] ALONGE M M, GREVILLE L J S, MA X H, et al. Acute restraint stress rapidly impacts reproductive neuroendocrinology and downstream gonad function in big brown bats (Eptesicus fuscus)[J]. J Exp Biol, 2023, 226(19): 1-14. DOI: 10.1242/jeb.245592.

 [25] CUNNINGHAM A M, WALKER D M, RAMAKRISHNAN A, et al. Sperm transcriptional state associated with paternal transmission of stress phenotypes[J]. J Neurosci, 2021, 41(29): 6202-6216. DOI: 10.1523/JNEUROSCI.3192-20.2021. 

[26] SCHUBERT C, LAMBERTZ M, NELESEN RA, et al. Effects of stress on heart rate complexity: a comparison between short-term and chronic stress[J]. Biol Psychol, 2009, 80(3): 325-332. DOI: 10.1016/j.biopsycho.2008.11.005. 

[27] MADISON A A, SHROUT M R, WILSON S J, et al. “I'm Ready This Time”: Investigating physiological and emotional habituation to repetitive social stress[J]. Ann Behav Med, 2025, 59(1): kaaf009. DOI: 10.1093/abm/kaaf009. 

[28] YANG X, GONG R, QIN L W, et al. Trafficking of NMDA receptors is essential for hippocampal synaptic plasticity and memory consolidation[J]. Cell Rep, 2022, 40(7): 1-18. DOI: 10.1016/j.celrep.2022.111217. 

[29] GENIS-MENDOZA A D, JUÁREZ-ROJOP I E, ESCOBAR-CHAN Y M, et al. Increased depressive-like, anxiety-like, and perseverative-like behavior in binge eating model in juvenile rats[J]. Nutrients, 2024, 16(9): 1-15. DOI: 10.3390/nu16091275. 

[30] ATAALLAHI M, NEJAD J G, PARK K H. Selection of appropriate biomatrices for studies of chronic stress in animals: a review[J]. J Anim Sci Technol, 2022, 64(4): 621-639. DOI: 10.5187/jast.2022.e38. 

[31] 孙世光, 刘健, 鹿岩, 等. 昆明小鼠强迫游泳实验与悬尾实验抑郁模型相关性[J]. 中 国 药 理 学 与 毒 理 学 杂 志 , 2014, 28(1): 107-112. DOI: 10.3867/j.issn.1000-3002.2014.01.016. 

SUN S G, LIU J, LU Y, et al. Correlation between forced swimming test and tail suspension test in Kunming mice[J]. Chin J Pharmacol Toxicol, 2014, 28(1): 107-112. DOI: 10.3867/j.issn.1000-3002.2014.01.016. 

[32] ALQURASHI G K, HINDI E A, ZAYED M A, et al. The impact of chronic unpredictable mild stress-induced depression on spatial, recognition and reference memory tasks in mice: behavioral and histological study[J]. Behav Sci, 2022, 12(6): 1-21. DOI: 10.3390/bs12060166. 

[33] BERRIO J P, HESTEHAVE S, KALLIOKOSKI O. Reliability of sucrose preference testing following short or no food and water deprivation-a Systematic Review and Meta-Analysis of rat models of chronic unpredictable stress[J]. Transl Psychiatry, 2024, 14(1): 1-10. DOI: 10.1038/s41398-024-02742-0. 

[34] RINGSEIS R, MARSCHALL M J M, GRUNDMANN S M, et al. Effect of Hermetia illucens fat, compared with that of soybean oil and palm oil, on hepatic lipid metabolism and plasma metabolome in healthy rats[J]. Animals, 2023, 13(21): 1-12. DOI: 10.3390/ani13213356. 

[35] CALABRESE F, GUIDOTTI G, MOLTENI R, et al. Stress-induced changes of hippocampal NMDA receptors: modulation by duloxetine treatment[J]. PLoS One, 2012, 7(5): 1-8. DOI: 10.1371/journal.pone.0037916. 

[36] PANDEY S, HAN WY, LI J, et al. Reversing anxiety by targeting a stress-responsive signaling pathway[J]. Proc Natl Acad Sci USA, 2024, 121(31): 1-11. DOI: 10.1073/pnas.2400078121. 

[37] EPHRAIM A J. On sudden or rapid whitening of the hair[J]. Arch Dermatol, 1959, 79(2): 228-236. DOI: 10.1001/archderm.1959.01560140090013.

[38] ZHANG B, MA S, RACHMIN I, et al. Hyperactivation of sympathetic nerves drives depletion of melanocyte stem cells[J]. Nature, 2020, 577(7792): 676-681. DOI: 10.1038/s41586-020-1935-3. 

[39] WANG X H, LIN Y M, YAN L C, et al. Intensive stress impedes hair follicle growth through triggering cell cycle arrest of hair follicle stem cells[J]. FASEB J, 2025, 39(5): e70460. DOI: 10.1096/fj.202403343R. 

[40] STALDER T, STEUDTE-SCHMIEDGEN S, ALEXANDER N, et al. Stress-related and basic determinants of hair Cortisol in humans: a meta-analysis[J]. Psychoneuroendocrinology, 2017, 77: 261-274. DOI: 10.1016/j.psyneuen.2016.12.017. 

[41] SHARPLEY C F, MCFARLANE J R, SLOMINSKI A. Stress-linked Cortisol concentrations in hair: what we know and what we need to know[J]. Rev Neurosci, 2011, 23(1): 111-121. DOI: 10.1515/RNS.2011.058.

[42] QUIST S R, QUIST J. Keep quiet-how stress regulates hair follicle stem cells[J]. Signal Transduct Target Ther, 2021, 6(1): 1-2. DOI: 10.1038/s41392-021-00772-4. 

[43] JI S F, ZHU Z Y, SUN X Y, et al. Functional hair follicle regeneration: an updated review[J]. Signal Transduct 10.1038/s41392-020-00441-y. Target Ther, 2021, 6(1): 1-11. DOI: 

[44] HINDS JA, SANCHEZ ER.Therole of the hypothalamus–pituitary–adrenal (HPA) axis in test-induced anxiety: assessments, physiological responses, and molecular details[J]. Stresses, 2022, 2(1): 146-155. DOI: 10.3390/stresses2010011. 

[45] OWECKA B, TOMASZEWSKA A, DOBRZENIECKI K, et al. The hormonal background of hair loss in non-scarring alopecias[J]. Biomedicines, 2024, 12(3): 1-14. DOI: 10.3390/biomedicines12030513. 

[46] PANG S L, WU H L, WANG Q, et al. Chronic stress suppresses the expression of cutaneous hypothalamic-pituitary-adrenocortical axis elements and melanogenesis[J]. PLoS One, 2014, 9(5): 1-11. DOI: 10.1371/journal.pone.0098283. 

[47] TRUEB R. Oxidative stress in ageing of hair[J]. Int J Trichol, 2009, 1(1): 6. DOI: 10.4103/0974-7753.51923. 

[48] WANG X W, CAI C Q, LIANG Q C, et al. Integrated transcriptomics and metabolomics analyses of stress-induced murine hair follicle growth inhibition[J]. Front Mol Biosci, 2022, 9: 1-17. DOI: 10.3389/fmolb.2022.781619. 

[49] HADSHIEW I M, FOITZIK K, ARCK P C, et al. Burden of hair loss: stress and the underestimated psychosocial impact of telogen effluvium and androgenetic alopecia[J]. J Invest Dermatol, 2004, 123(3): 455-457. DOI: 10.1111/j.0022-202X.2004.23237.x. 

[50] CHOI S, ZHANG B, MAS, et al. Corticosterone inhibits GAS6 to govern hair follicle stem-cell quiescence[J]. Nature, 2021, 592(7854): 428-432. DOI: 10.1038/s41586-021-03417-2. 

[51] ZHANG K X, BAI X F,YUAN Z P, et al. Cellular nanofiber structure with secretory activity-promoting characteristics for multicellular spheroid formation and hair follicle regeneration[J]. ACS Appl Mater Interfaces, 2020, 12(7): 7931-7941. DOI: 10.1021/acsami.9b21125. 

[52] KIM D H, OH S H, CHANG BS.Effects of excessive bleaching on hair: comparative analysis of external morphology and internal microstructure[J]. Appl Microsc, 2024, 54(1): 1-8. DOI: 10.1186/s42649-024-00104-0.

[53] HARRIS M L, FUFA T D, PALMER J W, et al. A direct link between MITF, innate immunity, and hair graying[J]. PLoS Biol, 2018, 16(5): 1-27. DOI: 10.1371/journal.pbio.2003648. 

[54] LIU N, WANG L H, GUO L L, et al. Chronic restraint stress inhibits hair growth via substance P mediated by reactive oxygen species in mice[J]. PLoS One, 2013, 8(4): 1-11. DOI: 10.1371/journal.pone.0061574. 

[55] AHN D, KIM H, LEE B, et al. Psychological stress-induced pathogenesis of alopecia areata: autoimmune and apoptotic pathways[J]. Int J Mol Sci, 2023, 24(14): 1-15. DOI: 10.3390/ijms241411711. 

[56] CHEN L J, YU Q, GUO F Y, et al. Neurotensin counteracts hair growth inhibition induced by chronic restraint stress[J]. Exp Dermatol, 2024, 33(1): e14990. DOI: 10.1111/exd.14990. 

[57] 吴晓淋, 徐平, 张亚莉, 等. 人体特征的头发代谢组学及蛋白质组学研究进展[J]. 生物工程学报,2022,38(10): 3638-3647. DOI: 10.13345/j.cjb.220526.

 WU XL, XU P, ZHANG Y L, et al. Distinguishing human characteristics based on hair metabolomics and proteomics: a review[J]. Chin J Biotechnol, 2022, 38(10): 3638-3647. DOI: 10.13345/j.cjb.220526. 

[58] CHEN Y, GUO J, XING S P, et al. Global-scale metabolomic profiling of human hair for simultaneous monitoring of endogenous metabolome, short- and long-term exposome[J]. Front Chem, 2021, 9: 1-11. DOI: 10.3389/fchem.2021.674265. 

[59] POZEBON D, SCHEFFLER G L, DRESSLER VL. Elemental hair analysis: a review of procedures and applications[J]. Anal Chim Acta, 2017, 992: 1-23. DOI: 10.1016/j.aca.2017.09.017. 

[60] KEMPSON I M, LOMBI E. Hair analysis as a biomonitor for toxicology, disease and health status[J]. Chem Soc Rev, 2011, 40(7): 3915-3940. DOI: 10.1039/c1cs15021a. 

[61] SICORELLO M, SPRENGER J C, STÖRKELLM, et al. Demonstrating the potential of untargeted hair proteomics for personalized biomarkers in stress-associated disorders[J]. Psychoneuroendocrinology, 2026, 184: 107684. DOI: 10.1016/j.psyneuen.2025.107684. 

[62] LAMA N, KASMI R, HAGERTY J R, et al. ChimeraNet: U-Net for hair detection in dermoscopic skin lesion images[J]. J Digit Imag, 2023, 36(2): 526-535. DOI: 10.1007/s10278-022-00740-6. 

[63] URBAN G, FEIL N, CSUKAE, et al. Combining deep learning with optical coherence tomography imaging to determine scalp hair and follicle counts[J]. Lasers Surg Med, 2021, 53(1): 171-178. DOI: 10.1002/lsm.23324. 

[64] ABBAS Q, GARCIA I F, EMRE CELEBI M, et al.Afeature-preserving hair removal algorithm for dermoscopy images[J]. Skin Res Technol, 2013, 19(1): e27-e36. DOI: 10.1111/j.1600-0846.2011.00603.x. 

[65] GAO M, WANG Y, XU H P, et al. Deep learning-based trichoscopic image analysis and quantitative model for predicting basic and specific classification in male androgenetic alopecia[J]. Acta Derm Venereol, 2022, 102: 1-6. DOI: 10.2340/actadv.v101.564. 

[66] SUN Y K, HUO P J, WANG Y J, et al. Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score[J]. J Dairy Sci, 2019, 102(11): 10140-10151. DOI: 10.3168/jds.2018-16164. 

[67] CHU F, ANEX D S, JONES A D, et al. Automated analysis of scanning electron microscopic images for assessment of hair surface damage[J]. R Soc Open Sci, 2020, 7(1): 1-12. DOI: 10.1098/rsos.191438.