Automated Detection of Seizures in Rodents: Use of Artificial Intelligence (AI) to Improve Racine Score Scoring

Epilepsie ist eine Erkrankung, bei der die elektrischen Signale des Gehirns fehlgeleitet werden, was zu plötzlichen, unkontrollierten Bewegungen oder Veränderungen des Bewusstseinszustands führt. Um zu verstehen, wie man dies beim Menschen behandelt, untersuchen Wissenschaftler es oft an kleinen Tieren wie Mäusen, die genug genetische Ähnlichkeiten aufweisen, um als zuverlässige Modelle zu dienen. In diesen Experimenten beobachten die Forscher die Tiere genau, um die Schwere ihrer Anfälle zu bewerten. Sie verwenden ein Standardsystem namens Racine-Skala, das verschiedenen Arten von Verhalten eine Nummer zuweist, vom Zucken der Nase bis hin zu einem Ganzkörperkrampf. Jahrzehntelang wurde diese Bewertung durch menschliche Beobachter durchgeführt, die Videoaufnahmen betrachteten. Obwohl dies notwendig ist, ist dieser manuelle Prozess langsam, ermüdend und anfällig für menschliche Fehler, da verschiedene Personen dieselbe Bewegung unterschiedlich interpretieren könnten. Diese Inkonsistenz kann es schwierig machen zu wissen, ob ein neues Medikament wirklich wirkt oder ob die Veränderung im Verhalten nur eine Frage dessen war, wer gerade zusah.

Ein Team von Forschern der University of the Punjab und der Minhaj University in Pakistan hat damit begonnen, die Art und Weise, wie diese Arbeit durchgeführt wird, zu verändern, indem sie Computer lehren, die Videos zu beobachten. Sie entwickelten ein System, das künstliche Intelligenz nutzt, um Mäuse in einem Video automatisch zu entdecken, ihren Bewegungen zu folgen und die Schwere ihrer Anfälle ohne menschliche Hilfe zu klassifizieren. Die Forscher begannen mit Videomaterial, das ursprünglich dazu aufgenommen wurde, eine neue pflanzliche Behandlung gegen Epilepsie zu testen. Sie speisten diese Videos in ein Computerprogramm ein, das darauf ausgelegt ist, Objekte zu erkennen, und trainierten es speziell darauf, die Mäuse zu finden. Nachdem der Computer die Tiere zuverlässig lokalisieren konnte, fügten sie eine zweite Softwareebene hinzu, um jede einzelne Maus zu verfolgen, während sie sich im Käfig bewegte, um sicherzustellen, dass das System wusste, welche Maus was tat, selbst wenn sie sich die Wege kreuzten.

Das Computersystem erwies sich als durchaus fähig für diese Aufgabe. Es identifizierte das Vorhandensein einer Maus in den Videobildern mit einem hohen Maß an Zuversicht. Viel wichtiger war, dass es lernte, zwischen einer Maus, die sich normal verhält, und einer, die einen Anfall erleidet, zu unterscheiden. Das System war besonders gut darin, zwei spezifische Dinge zu erkennen: einen normalen, ruhigen Zustand und ein schweres Anfallsstadium, in dem die Maus sich auf die Hinterbeine aufrichtet und diese steif ausstreckt. Es funktionierte auch gut bei der Identifizierung eines Stadiums, in dem die Hinterbeine der Maus voll ausgestreckt sind. Während das System bei den sehr frühen, subtilen Stadien eines Anfalls weniger sicher war, bewältigte es die klaren, dramatischen Bewegungen mit hoher Genauigkeit. Die Forscher fanden heraus, dass der Computer diese spezifischen Verhaltensweisen durchschnittlich etwa 77 Prozent der Zeit korrekt identifizieren konnte, ein vielversprechendes Ergebnis für ein Machine-Learning-Modell, das mit komplexen biologischen Bewegungen arbeitet.

Die Studie hob auch die praktischen Grenzen dieses neuen Ansatzes hervor. Der Computer hatte etwas Schwierigkeiten mit den frühesten Anzeichen eines Anfalls, da diese Bewegungen sehr klein und schwer zu sehen sind, und er sah selten die extremsten Anfallsstadien in dem verfügbaren Filmmaterial. Die Forscher stellten fest, dass das System eine beträchtliche Menge Zeit benötigte, um die Videos zu verarbeiten, wobei es auf Standardgeräten über drei Sekunden benötigte, um ein einzelnes Frame zu analysieren. Das bedeutet, dass das Ansehen eines einstündigen Experiments viel länger dauern würde als das Experiment selbst. Das Team glaubt jedoch, dass diese Hürden mit schnelleren Computern und besseren Videoaufbau-Setups überwunden werden können. Durch die Automatisierung der Bewertung wollen die Forscher das Raten und die Ermüdung aus dem Prozess entfernen und eine konsistente, objektive Methode bereitstellen, um zu messen, wie gut Epilepsie-Behandlungen wirken. Dieser Wandel von menschlichen Augen hin zur digitalen Analyse könnte zu zuverlässigeren Ergebnissen in der Arzneimittelentwicklung führen und Wissenschaftlern helfen, bessere Wege zur Bewältigung von Anfällen sowohl für Tiere als auch für Menschen zu finden.