两块彩色的像素。每个像素代表一个小鼠行为或"音节",每行显示一只小鼠的行为模式。底部区块显示了与对照组相比,上面的癫痫小鼠的行为模式。研究人员使用了一种机器学习工具来分析小鼠行为。每一行代表一只特定小鼠的行为序列或"音节"。每个音节都被分配了一个单独的颜色(对照组在最上面的区块;下面是癫痫的小鼠模型)。资料来源:斯坦福大学医学院Soltesz实验室。
癫痫是最常见的慢性脑部疾病,影响着全世界数百万人。它可以影响任何年龄段的人,对一些人来说,治疗不仅产生讨厌的副作用,而且不能防止癫痫发作的发生。
癫痫诊断和治疗评估的传统方法包括使用连续几天或几周的
视频脑电图(EEG)监测。但考虑到病情的复杂性和多样性,以及一些癫痫发作不会出现在脑电图上的事实,这可能是一个相当钝的工具。此外,它既是劳动密集型的,又是主观的。医护人员必须查看和分析数小时的
视频-脑电图记录,并依靠他们的能力来注意通常轻微的行为变化。
现在,研究人员已经使用名为MoSeq(或运动测序)的人工智能技术来分析癫痫小鼠的行为,确定人眼无法注意到的行为"指纹"。
MoSeq是一种机器学习技术,它训练一个无监督的机器来识别重复的行为模式。识别行为后,MoSeq提供了一套可视化工具和统计测试,帮助科学家理解这些行为,并将其与一系列实验条件进行比较。
利用MoSeq分析自由移动的小鼠的3D视频,研究人员能够定位、跟踪和量化小鼠的行为。他们发现,该技术能够更好地区分癫痫小鼠和非癫痫小鼠,比训练有素的人类观察者的表现更好。此外,它只需要一个小时的视频记录,而且与传统方法不同,在提供分析前不需要发作。
研究人员能够使用人工智能来区分小鼠在被给予三种抗癫痫药物之一后的行为模式。
机器学习技术的成功使用表明它有可能用于人类,为诊断癫痫和测试抗癫痫药物的疗效提供一种更快、更省力、更低成本和更客观的方法。
该研究发表在《神经元》杂志上。