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

Epilepsie is een aandoening waarbij de elektrische signalen in de hersenen verkeerd afvuren, wat zorgt voor plotselinge, ongecontroleerde bewegingen of veranderingen in het bewustzijn. Om te begrijpen hoe dit bij mensen behandeld kan worden, bestuderen wetenschappers dit vaak bij kleine dieren zoals muizen, die genoeg genetische gelijkenis vertonen om als betrouwbare modellen te dienen. In deze experimenten houden onderzoekers de dieren nauwlettend in de gaten om de ernst van hun aanvallen te beoordelen. Ze gebruiken een standaard systeem genaamd de Racine-schaal, die een cijfer toekent aan verschillende soorten gedrag, van een trillende neus tot een convulsie van het hele lichaam. Decennialang is deze beoordeling gedaan door menselijke waarnemers die videoplagingen bekeken. Hoewel noodzakelijk, is dit handmatige proces traag, vermoeiend en foutgevoelig, omdat verschillende mensen dezelfde beweging anders kunnen interpreteren. Deze inconsistentie kan het moeilijk maken om te weten of een nieuw medicijn echt werkt of dat de verandering in gedrag slechts een kwestie was van wie er keek.

Een team onderzoekers van de University of the Punjab en Minhaj University in Pakistan is begonnen met het veranderen van de manier waarop dit werk wordt uitgevoerd door computers te leren de video's te bekijken. Ze ontwikkelden een systeem dat gebruikmaakt van kunstmatige intelligentie om automatisch muizen in een video op te sporen, hun bewegingen te volgen en de ernst van hun aanvallen te classificeren zonder menselijke hulp. De onderzoekers begonnen met videobeelden die oorspronkelijk waren opgenomen om een nieuwe plantaardige behandeling voor epilepsie te testen. Ze voerden deze video's in een computerprogramma dat ontworpen is om objecten te herkennen, specifiek getraind om de muizen te vinden. Zodra de computer de dieren betrouwbaar kon vinden, voegden ze een tweede laag software toe om elke individuele muis te volgen terwijl deze door de kooi bewoog, om ervoor te zorgen dat het systeem wist welke muis wat deed, zelfs als ze elkaars pad kruisten.

Het computersysteem bleek zeer bekwaam in deze taak. Het identificeerde met een hoge mate van vertrouwen de aanwezigheid van een muis in de videoframes. Belangrijker nog, het leerde het onderscheid te maken tussen een muis die zich normaal gedroeg en een muis die een aanval had. Het systeem was bijzonder goed in het opsporen van twee specifieke zaken: een normale, rustige staat en een ernstig stadium van een aanval waarbij de muis op zijn achterpoten staat en deze stijf uitstrekt. Het deed het ook goed bij het identificeren van een stadium waarin de achterpoten van de muis volledig gestrekt zijn. Hoewel het systeem minder zeker was over de zeer vroege, subtiele stadia van een aanval, handelde het de duidelijke, dramatische bewegingen met sterke nauwkeurigheid af. De onderzoekers vonden dat de computer deze specifieke gedragingen gemiddeld ongeveer 77 procent van de tijd correct kon identificeren, een veelbelovend resultaat voor een machine learning-model dat werkt met complexe biologische beweging.

De studie benadrukte ook de praktische beperkingen van deze nieuwe aanpak. De computer had wat moeite met de vroegste tekenen van een aanval, omdat die bewegingen erg klein zijn en moeilijk te zien, en het zag zelden de meest extreme stadium van een aanval in de beschikbare beelden. De onderzoekers merkten op dat het systeem een aanzienlijke hoeveelheid tijd nodig had om de video's te verwerken, waarbij meer dan drie seconden nodig waren om een enkel frame te analyseren op standaardapparatuur. Dit betekent dat het bekijken van een uur durend experiment veel langer zou duren dan het experiment zelf. De onderzoekers geloven echter dat met snellere computers en betere video-opstellingen deze hindernissen kunnen worden overwonnen. Door het scoren te automatiseren, willen de onderzoekers de giswerk en vermoeidheid uit het proces verwijderen, en een consistente, objectieve manier bieden om te meten hoe goed behandelingen voor epilepsie werken. Deze verschuiving van menselijke ogen naar digitale analyse zou kunnen leiden tot meer betrouwbare resultaten in de ontwikkeling van geneesmiddelen, wat wetenschappers helpt om betere manieren te vinden om aanvallen te beheersen voor zowel dieren als mensen.