《Aquaculture》：Block-randomised cohabitant design and camera-based monitoring to quantify effects in salmon intervention studies
编辑推荐：
研究采用block-randomised cohabitant设计结合自动化摄像机系统，评估益生菌干预Stembiont? Vital对三文鱼体重增长、伤口发生率及寄生虫数量的影响。结果显示，干预组移动寄生虫和成虫数量分别减少19%和45%，验证了该方法的准确性和高效性。
A. Aunsmo|P.J. Midtlyng|A.B. Fylling|A. Bloms?|K. Salonius|M.S. Malik|E. Skjerve
Salmalytics AS，挪威特隆赫姆
摘要
评估鲑鱼养殖中的健康干预措施具有挑战性，因为不同海笼之间的环境和生物变异可能会掩盖处理效果。本研究采用了一种区块随机共栖设计，将来自同一来源群体的小鱼随机分配到不同处理组中，对处理组鱼类进行标记（剪鳍），并与未标记的对照组相邻放置。自动化摄像系统实现了在整个生产周期内的连续、非侵入性的分组和效果监测。作为测试干预措施，使用了一种名为Stembiont? Vital的益生菌产品，通过浸泡方式施用。基于摄像系统的分组方法表现出高灵敏度（94.6%）和特异性（99.9%）。该研究生成了大量的纵向数据集，包括海水养殖阶段的研究组信息、鱼体重、伤口发生率以及虱子数量（n = 400,000条鱼），以及收获时的研究组信息、鱼体重、体长和商业个体鱼质量分类（n = 290,000条鱼）。在体重增加和伤口发生率方面未观察到显著差异。然而，处理组的移动虱子和成年雌性虱子数量分别减少了19%和45%。该设计使用了约10%的处理和标记鱼类，证明了使用小规模、操作可行的子组可以有效检测预防性处理的效果。值得注意的是，收获时12-15%的未标记鱼类出现了与脊柱畸形相关的状况，这与体重减轻和降级增加有关。我们的方法允许在相同的环境条件下进行鱼类级别的比较，避免了笼间差异，并能够检测到生物学上有意义且统计上稳健的差异。总体而言，这种设计为传统现场试验提供了新的替代方案，具有更广泛的应用前景和方法论标准化潜力。
引言
挪威鲑鱼产业面临着持续且复杂的生物学挑战，包括急性及慢性伤口、传染病以及频繁的除虱操作，这些因素增加了死亡风险并影响了鱼类的福利（Moldal等人，2025年）。现有的补救措施有限，因此改进现有方法并开发新方法是提高预防和控制效果的关键（Aunsmo等人，2023年）。在这种情况下，产业评估新干预措施定量效果的能力对于基于证据的决策至关重要，从而优化现有资源的使用（Rushton，2008年）。
单个海笼代表了独立的生物和环境单元，由于幼鱼历史、传染病水平、环境条件及操作影响等因素，每个海笼都有其自身的生产轨迹（Aunsmo等人，2008a；Persson等人，2022年）。笼组之间不受控制的自然差异可能会掩盖或模拟干预效果，使得真正处理效果和生产结果的评估变得复杂（Johansson等人，2007年；Oppedal等人，2011年）。类似挑战也存在于人类医学领域，监管机构强调需要随机化证据、标准化研究设计和来自临床试验的真实世界数据来批准新干预措施（欧洲药品管理局，2025年）。分析开放式海笼的生产数据还需要能够考虑重复测量和基于笼养系统的层次依赖性的模型（Aunsmo等人，2009年；Everitt，1995年）。
在水产养殖中，以往的临床现场研究严重依赖抽样来记录干预效果。传统的抽样方法通常涉及对一小部分群体进行网捕并手动记录，这在操作上具有挑战性，经常导致样本量小且抽样频率低。例如，由于方法上的不一致性，手动计数虱子的方法常常低估了实际感染水平（Bui等人，2024年）。这些方法还涉及鱼类处理，仅处理过程本身就会对鱼类福利产生负面影响。这些挑战凸显了需要方法论创新，以最小程度影响鱼类福利的同时更精确地估计干预效果。
相比之下，基于摄像机和算法的新技术现在可以记录单个鱼类的数据（Cisar等人，2021年），并有可能估计干预效果，支持商业鱼类养殖中的基于证据的决策。潜水式摄像系统能够在不接触鱼类的情况下实现连续和标准化的实时数据收集（Bui等人，2024年）。与摄像系统集成的特定算法能够将大量照片的读数转化为关于生产力、健康和福利变量的高质量估计。
生成了广泛且具有代表性的数据集，涵盖了关键的生产、健康和福利指标。例如虱子感染和伤口发生率的数据集——这是开放式海笼鲑鱼养殖中最紧迫的两个问题。基于摄像技术的一个独特特点是，如果能够将个体鱼类的图像与处理组或对照组关联起来，就可以透明地评估研究组之间的相对差异（Gupta等人，2022年）。基于摄像的每日监测可以持续评估鱼类的状况和发展情况，以及与外部疾病症状、既定的福利指标和干预效果的动态进展之间的关系，提供反映真实群体特征的人口级数据（Fitzgerald等人，2025年）。
这些现代技术使得在设计现场研究时可以采用新的方法，并且重要的是，提供了可以使用先进统计技术进行分析的数据。区块随机共栖设计可以消除环境变异的影响，确保鱼类在处理组之间的均衡分配，这对于干预研究中精确估计效果至关重要（Efird，2011年）。我们认为这种方法在严格评估水产养殖环境中的处理效果方面非常有效，并能最小化混淆风险（Aunsmo等人，2008c；R?s?g等人，2021年）。
在本研究中，我们通过建立一个基于摄像的系统来实现同时分组和结果估计，将这一框架应用于大规模的现场试验中。主要目标是开发和改进用于精确估计鲑鱼干预措施效果的方法论。使用所开发的方法论评估了一种已建立的干预措施——Stembiont? Vital，这是一种旨在增强鲑鱼抵抗力、改善鲑鱼虱子控制并预防伤口的益生菌浸泡治疗。
部分内容摘要
分组分配程序：区块随机设计
区块随机化在2023年5月8日至12日的Svaberget（挪威Bindal，站点编号39717）同时分级和接种疫苗期间进行。图1展示了研究设计的关键方面。所有鱼类均来源于AquaGen品系的SS-2023-q3批次胚胎。在整个接种过程中，使用了两台自动Maskon机器（Maskon AS，挪威Stj?rdal，7502）处理的中级鱼类（52–55克）。总共抽取了492组，每组平均70条鱼。
分组分类验证（OptoScale和Baader)
本研究方法论开发的一个重要部分是使用OptoScale摄像系统计算的自动鳍值来验证处理组的分配。通过对870张图像的视觉评估，对最终纳入值进行了验证。对于标记鱼类，纳入值的灵敏度为0.946，特异性为0.999；对于未标记鱼类，特异性为0.6以上（表3）。
对于Baader数据，确定了0.998的特异性
试验方法：结果与经验
本研究展示了将区块随机共栖设计与自动化监测技术相结合在评估鲑鱼养殖中的生物干预效果方面的优势。引入具有连续个体级数据捕获的共栖设计，相较于传统的笼级比较有了显著改进，能够实时提供更精确、细致和准确的结果。我们的研究设计实现了
结论
本研究证明，区块随机共栖设计与自动化监测相结合提供了一种可靠且适用于现场环境的方法，用于评估鲑鱼养殖中的生物干预措施。该方法能够获取高质量的纵向数据，以在商业条件下检测真实的治疗效果。总之，我们现在可以将以前仅限于小规模实验室研究的设计和分析技术应用于全规模的自然水产养殖中
手稿准备过程中生成式AI和AI辅助技术的声明
在准备本手稿的过程中，作者使用了ChatGPT来提高其可读性和语言表达。作者在使用AI工具后对内容进行了彻底审查和编辑，并对发表的文章负全责。
CRediT作者贡献声明
A. Aunsmo：撰写——审阅与编辑、撰写——初稿、验证、监督、资源管理、方法论制定、调查、资金获取、正式分析、数据管理、概念化。P.J. Midtlyng：撰写——审阅与编辑、方法论制定、资金获取、概念化。A.B. Fylling：撰写——审阅与编辑、资源管理、方法论制定、调查、资金获取、概念化。A. Bloms?：撰写——审阅与编辑、软件开发
资金
iFelt项目由挪威海鲜研究基金（FHF）在水产养殖——鱼类健康与福利研究领域资助（项目编号：901836）。该项目从2023年2月1日持续到2025年6月30日，总预算为793万挪威克朗。其中，565万挪威克朗由FHF提供。其余资源以实物形式支持：OptoScale AS提供了150万挪威克朗，Previwo AS提供了30万挪威克朗，Sinkaberg AS和Emilsen Fisk AS各提供了48.1万挪威克朗。此外，FHF利益冲突声明
A. Aunsmo、M.S. Malik和E. Skjerve在研究期间受雇于Salmalytics AS。K. Salonius（截至2024年7月）和A.B. Fylling受雇于Previwo AS，A. Bloms?受雇于OptoScale AS。作者声明这些隶属关系并未影响研究的设计、实施或报告。致谢
作者感谢Svaberget Settefisk、Stas?ya（Emilsen Fisk）和Sinkaberg AS的技术人员在野外工作期间的宝贵帮助。我们还要感谢Baader公司在开发分组系统方面的合作，以及所有项目合作伙伴在整个研究过程中的建设性贡献。
