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

L'epilessia è una condizione in cui i segnali elettrici del cervello si disperdono, causando movimenti improvvisi e incontrollati o cambiamenti nella consapevolezza. Per capire come trattare questa condizione negli esseri umani, gli scienziati la studiano spesso in piccoli animali come i topi, che condividono una sufficiente somiglianza genetica per fungere da modelli affidabili. In questi esperimenti, i ricercatori osservano attentamente gli animali per valutare la gravità delle loro crisi. Utilizzano un sistema standard chiamato scala di Racine, che assegna un numero a diversi tipi di comportamento, dal tremolio del naso alla convulsione di tutto il corpo. Per decenni, questa valutazione è stata effettuata da osservatori umani che guardavano registrazioni video. Sebbene necessario, questo processo manuale è lento, stancante e soggetto all'errore umano, poiché persone diverse potrebbero interpretare lo stesso movimento in modo differente. Questa incoerenza può rendere difficile capire se un nuovo farmaco stia davvero funzionando o se il cambiamento nel comportamento sia stato solo una questione di chi stava guardando.

Un team di ricercatori dell'Università del Punjab e dell'Università Minhaj in Pakistan ha iniziato a cambiare il modo in cui questo lavoro viene svolto, insegnando ai computer a guardare i video. Hanno sviluppato un sistema che utilizza l'intelligenza artificiale per individuare automaticamente i topi in un video, seguirne i movimenti e classificare la gravità delle loro crisi senza l'aiuto umano. I ricercatori sono partiti da filmati video originariamente registrati per testare un nuovo trattamento a base vegetale per l'epilessia. Hanno inserito questi video in un programma per computer progettato per riconoscere oggetti, addestrandolo specificamente per trovare i topi. Una volta che il computer è stato in grado di trovare gli animali in modo affidabile, hanno aggiunto un secondo livello di software per tenere traccia di ogni singolo topo mentre si muoveva nella gabbia, assicurando che il sistema sapesse quale topo stesse facendo cosa, anche se si incrociavano tra loro.

Il sistema informatico si è dimostrato molto capace nel suo compito. È riuscito a identificare la presenza di un topo nei fotogrammi del video con un alto grado di fiducia. Più importante ancora, ha imparato a distinguere tra un topo che si comporta normalmente e uno che sta avendo una crisi. Il sistema è stato particolarmente bravo a individuare due cose specifiche: uno stato normale e calmo e uno stadio di crisi grave in cui il topo si solleva sulle zampe posteriori ed estende le zampe in modo rigido. Ha fatto un buon lavoro anche nell'identificare uno stadio in cui le zampe posteriori del topo sono completamente estese. Il sistema era meno sicuro riguardo agli stadi iniziali e molto sottili di una crisi, ma ha gestito i movimenti chiari e drammatici con una forte precisione. I ricercatori hanno scoperto che il computer poteva identificare correttamente questi comportamenti specifici circa il 77 percento delle volte in media, un risultato promettente per un modello di machine learning che lavora con complessi movimenti biologici.

Lo studio ha anche evidenziato i limiti pratici di questo nuovo approccio. Il computer ha avuto qualche difficoltà con i primi segni di una crisi perché quei movimenti sono molto piccoli e difficili da vedere, e ha raramente rilevato gli stadi più estremi della crisi nei filmati disponibili. I ricercatori hanno notato che il sistema impiegava un tempo significativo per elaborare i video, richiedendo oltre tre secondi per analizzare un singolo fotogramma con l'attrezzatura standard. Ciò significa che guardare un esperimento di un'ora richiederebbe molto più tempo dell'esperimento stesso. Tuttavia, il team ritiene che con computer più veloci e migliori configurazioni di registrazione video, questi ostacoli possano essere superati. Automatizzando la valutazione, i ricercatori mirano a rimuovere l'incertezza e la fatica dal processo, fornendo un modo coerente e oggettivo per misurare quanto bene funzionino i trattamenti per l'epilessia. Questo passaggio dagli occhi umani all'analisi digitale potrebbe portare a risultati più affidabili nello sviluppo di farmaci, aiutando gli scienziati a trovare modi migliori per gestire le crisi sia per gli animali che per le persone.