機器學習方法自動化行為分析，在癲癇動物模型中優(yōu)于人類評估。

通過使用最先進的技術(shù)來分析癲癇小鼠的行為模式，研究人員可能能夠更好地研究這種疾病并確定潛在的治療方法。

由美國國立衛(wèi)生研究院資助的研究人員使用人工智能技術(shù)來確定人眼不明顯的小鼠行為“指紋”。

這種自動行為表型只需要一個小時的視頻記錄，并且不需要研究人員等待罕見的癲癇發(fā)作事件。該研究由NIH下屬的國家神經(jīng)疾病和中風研究所(NINDS)支持，發(fā)表在Neuron上。

科學家們發(fā)現(xiàn)，這種機器學習輔助的3D視頻分析優(yōu)于傳統(tǒng)方法，在傳統(tǒng)方法中，分析依賴于人類觀察來標記癲癇發(fā)作期間動物模型中癲癇的行為跡象。

勞動密集型過程需要在多天或數(shù)周內(nèi)對小鼠進行持續(xù)的視頻監(jiān)測，同時用腦電圖(EEG)記錄它們的腦電波活動。由斯坦福大學研究人員領(lǐng)導的研究小組研究了患有獲得性和遺傳性癲癇的小鼠。

他們發(fā)現(xiàn)，機器分析比訓練有素的人類觀察者能夠更好地區(qū)分癲癇和非癲癇小鼠。人工智能程序還確定了癲癇發(fā)展不同階段的不同行為表型。

值得注意的是，研究人員能夠在給予三種抗癲癇藥物之一后，使用AI程序來區(qū)分小鼠的不同行為模式。這表明該工具可用于快速、自動化的抗癲癇藥物測試。最終，使用自動表型進行癲癇動物研究可能會徹底改變研究的方式，加快發(fā)現(xiàn)速度并降低成本。

該研究中使用的機器學習技術(shù)稱為用于運動排序的MoSeq(鏈接是外部的)，用于定位，跟蹤和量化視頻每一幀中自由移動的鼠標的行為。

該信息用于訓練無監(jiān)督機器學習模型，以識別重復的行為主題(稱為“音節(jié)” - 例如，右轉(zhuǎn)或向左頭)。MoSeq預測音節(jié)出現(xiàn)的順序(或“語法”)，從而可以快速客觀地表征鼠標行為。