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

A epilepsia é uma condição em que os sinais elétricos do cérebro falham, causando movimentos súbitos e incontrolados ou mudanças na consciência. Para entender como tratar isso em pessoas, cientistas frequentemente estudam a condição em pequenos animais, como camundongos, que compartilham semelhança genética suficiente para servir como modelos confiáveis. Nesses experimentos, os pesquisadores observam os animais de perto para graduar a gravidade de suas convulsões. Eles utilizam um sistema padrão chamado escala de Racine, que atribui um número a diferentes tipos de comportamento, desde um tremor no nariz até uma convulsão de corpo inteiro. Por décadas, essa graduação foi feita por observadores humanos assistindo a gravações de vídeo. Embora necessário, esse processo manual é lento, cansativo e propenso ao erro humano, já que pessoas diferentes podem interpretar o mesmo movimento de formas distintas. Essa inconsistência pode tornar difícil saber se um novo medicamento está realmente funcionando ou se a mudança no comportamento foi apenas uma questão de quem estava observando.

Uma equipe de pesquisadores da Universidade de Punjab e da Universidade Minhaj, no Paquistão, começou a mudar a forma como esse trabalho é feito, ensinando computadores a assistir aos vídeos em vez disso. Eles desenvolveram um sistema que utiliza inteligência artificial para detectar automaticamente camundongos em um vídeo, acompanhar seus movimentos e classificar a gravidade de suas convulsões sem ajuda humana. Os pesquisadores começaram com filmagens originalmente gravadas para testar um novo tratamento à base de plantas para epilepsia. Eles inseriram esses vídeos em um programa de computador projetado para reconhecer objetos, especificamente treinando-o para encontrar os camundongos. Assim que o computador conseguiu encontrar os animais de forma confiável, eles adicionaram uma segunda camada de software para rastrear cada camundongo individual conforme ele se movia pela gaiola, garantindo que o sistema soubesse o que cada camundongo estava fazendo, mesmo que eles se cruzassem.

O sistema de computador provou ser bastante capaz em sua tarefa. Ele identificou com sucesso a presença de um camundongo nos quadros do vídeo com um alto grau de confiança. Mais importante ainda, aprendeu a distinguir entre um camundongo que estava se comportando normalmente e um que estava tendo uma convulsão. O sistema foi particularmente bom em detectar duas coisas específicas: um estado normal e calmo e um estágio de convulsão grave, onde o camundongo se ergue sobre as patas traseiras e as estende rigidamente. Também se saiu bem ao identificar um estágio em que as patas traseiras do camundongo estão totalmente estendidas. Embora o sistema tenha sido menos certeiro sobre os estágios iniciais e sutis de uma convulsão, ele lidou com os movimentos claros e dramáticos com forte precisão. Os pesquisadores descobriram que o computador conseguia identificar corretamente esses comportamentos específicos cerca de 77 por cento das vezes em média, um resultado promissor para um modelo de aprendizado de máquina trabalhando com movimentos biológicos complexos.

O estudo também destacou os limites práticos dessa nova abordagem. O computador teve certa dificuldade com os sinais mais precoces de uma convulsão, porque esses movimentos são muito pequenos e difíceis de ver, e raramente detectou os estágios mais extremos de convulsão nas filmagens disponíveis. Os pesquisadores observaram que o sistema levou um tempo significativo para processar os vídeos, exigindo mais de três segundos para analisar um único quadro em equipamentos padrão. Isso significa que assistir a um experimento de uma hora levaria muito mais tempo do que o próprio experimento. No entanto, a equipe acredita que, com computadores mais rápidos e melhores configurações de gravação de vídeo, esses obstáculos podem ser superados. Ao automatizar a pontuação, os pesquisadores visam remover o subjetivismo e a fadiga do processo, fornecendo uma maneira consistente e objetiva de medir o quão bem os tratamentos para epilepsia funcionam. Essa mudança dos olhos humanos para a análise digital pode levar a resultados mais confiáveis no desenvolvimento de medicamentos, ajudando cientistas a encontrar melhores maneiras de controlar as convulsões tanto para animais quanto para pessoas.