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

L'épilepsie est une affection où les signaux électriques du cerveau se déclenchent de manière erronée, provoquant des mouvements soudains et incontrôlés ou des changements de la conscience. Pour comprendre comment traiter cela chez l'humain, les scientifiques étudient souvent cette condition chez de petits animaux comme les souris, qui partagent suffisamment de similitudes génétiques pour servir de modèles fiables. Dans ces expériences, les chercheurs observent attentivement les animaux pour évaluer la gravité de leurs crises. Ils utilisent un système standard appelé l'échelle de Racine, qui attribue un chiffre à différents types de comportements, allant d'un tressautement du nez à une convulsion de tout le corps. Pendant des décennies, cette évaluation a été réalisée par des observateurs humains regardant des enregistrements vidéo. Bien que nécessaire, ce processus manuel est lent, fatigant et sujet à l'erreur humaine, car différentes personnes pourraient interpréter le même mouvement de manière différente. Cette incohérence peut rendre difficile la détermination si un nouveau médicament fonctionne réellement ou si le changement de comportement était simplement une question de l'observateur.

Une équipe de chercheurs de l'Université du Pendjab et de l'Université Minhaj au Pakistan a commencé à changer la façon dont ce travail est effectué en apprenant aux ordinateurs à regarder les vidéos à leur place. Ils ont développé un système qui utilise l'intelligence artificielle pour repérer automatiquement les souris dans une vidéo, suivre leurs mouvements et classer la gravité de leurs crises sans l'aide humaine. Les chercheurs ont commencé avec des séquences vidéo initialement enregistrées pour tester un nouveau traitement à base de plantes contre l'épilepsie. Ils ont injecté ces vidéos dans un programme informatique conçu pour reconnaître des objets, en entraînant spécifiquement le programme à trouver les souris. Une fois que l'ordinateur a pu localiser les animaux de manière fiable, ils ont ajouté une seconde couche de logiciel pour suivre chaque souris individuellement lorsqu'elle se déplaçait dans la cage, garantissant ainsi que le système sache quelle souris faisait quoi, même si elles se croisaient.

Le système informatique s'est avéré tout à fait capable d'accomplir sa tâche. Il a réussi à identifier la présence d'une souris dans les images de la vidéo avec un haut degré de confiance. Plus important encore, il a appris à distinguer une souris se comportant normalement d'une souris en train de faire une crise. Le système était particulièrement efficace pour repérer deux choses spécifiques : un état normal et calme, et un stade de crise sévère où la souris se redresse sur ses pattes arrière et les tend rigidement. Il a également bien identifié un stade où les pattes arrière de la souris sont pleinement étendues. Bien que le système ait été moins certain concernant les stades très précoces et subtils d'une crise, il a géré les mouvements clairs et spectaculaires avec une grande précision. Les chercheurs ont constaté que l'ordinateur pouvait identifier correctement ces comportements spécifiques environ 77 % du temps en moyenne, un résultat prometteur pour un modèle d'apprentissage automatique travaillant avec des mouvements biologiques complexes.

L'étude a également mis en évidence les limites pratiques de cette nouvelle approche. L'ordinateur a eu un peu de mal avec les signes les plus précoces d'une crise car ces mouvements sont très petits et difficiles à voir, et il a rarement observé les stades de crise les plus extrêmes dans les séquences disponibles. Les chercheurs ont noté que le système mettait un temps considérable pour traiter les vidéos, nécessitant plus de trois secondes pour analyser une seule image sur un équipement standard. Cela signifie que regarder une expérience d'une heure prendrait beaucoup plus de temps que l'expérience elle-même. Cependant, l'équipe pense qu'avec des ordinateurs plus rapides et de meilleures configurations d'enregistrement vidéo, ces obstacles pourront être surmontés. En automatisant la notation, les chercheurs visent à éliminer l'incertitude et la fatigue du processus, offrant un moyen cohérent et objectif de mesurer l'efficacité des traitements contre l'épilepsie. Ce passage des yeux humains à l'analyse numérique pourrait conduire à des résultats plus fiables dans le développement de médicaments, aidant les scientifiques à trouver de meilleures façons de gérer les crises pour les animaux comme pour les humains.