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

癫痫是一种大脑电信号发生错误，导致突然、不受控制的运动或意识变化的情况。为了了解如何治疗人类的这种疾病，科学家经常在小鼠等小型动物身上进行研究，因为这些动物具有足够的遗传相似性，可以作为可靠的模型。在这些实验中，研究人员会密切观察动物，以评定其癫痫发作的严重程度。他们使用一种名为拉辛分级（Racine scale）的标准系统，根据不同的行为类型进行编号，从鼻子的抽动到全身性的抽搐。几十年来，这种分级一直由人类观察者通过观看视频录像来完成。虽然这是必要的，但这种人工过程缓慢、令人疲劳，且容易产生人为错误，因为不同的人可能会对同一种运动做出不同的解读。这种不一致性可能导致很难判断一种新药是否真的有效，或者行为的变化仅仅是因为观察者的不同。

来自巴基斯坦旁遮普大学和明哈杰大学的一个研究小组已经开始改变这项工作的方式，转而教计算机来观看视频。他们开发了一个系统，利用人工智能自动识别视频中的小鼠，追踪它们的运动，并在无需人工帮助的情况下对癫痫发作的严重程度进行分类。研究人员最初使用的是为测试一种新型植物类癫痫治疗药物而记录的视频片段。他们将这些视频输入到一个旨在识别物体的计算机程序中，特别是训练该程序去寻找小鼠。一旦计算机能够可靠地找到动物，研究人员就添加了第二层软件来追踪每只小鼠在笼子里的移动，确保系统知道哪只小鼠在做什么，即使它们发生了路径交叉。

该计算机系统证明了它完全有能力胜任这项任务。它成功地以高度自信识别出视频帧中是否存在小鼠。更重要的是，它学会了区分处于正常行为状态的小鼠和正在癫痫发作的小鼠。该系统在识别两类特定情况方面表现尤为出色：一种是正常的、冷静的状态，以及一种严重的癫痫阶段，即小鼠用后肢站立并僵硬地伸展肢体。它在识别小鼠后腿完全伸展的阶段方面也做得很好。虽然该系统在处理癫痫发作极早期、细微阶段时确定性较低，但它能非常准确地处理那些明显且剧烈的动作。研究人员发现，该计算机平均能正确识别这些特定行为的准确率约为77%，对于一个处理复杂生物运动的机器学习模型来说，这是一个令人鼓舞的结果。

这项研究还强调了这种新方法在实际应用中的局限性。由于癫痫发作的最早期迹象运动幅度非常小且难以观察，计算机在处理这些迹象时略显吃力，而且在现有的视频资料中很少看到最极端的癫痫阶段。研究人员指出，该系统处理视频需要大量时间，在标准设备上分析单帧画面需要超过三秒。这意味着观看一小时的实验过程，分析所需的时间将比实验本身长得多。然而，研究团队相信，通过使用更快的计算机和更好的视频录制设置，这些障碍是可以克服的。通过实现自动评分，研究人员旨在消除过程中的猜测和疲劳，提供一种一致且客观的方法来衡量癫痫治疗的效果。这种从肉眼观察向数字分析的转变，可能会使药物研发过程中的结果更加可靠，从而帮助科学家找到更好地管理动物及人类癫痫的方法。