基于监督式机器学习的视频分析技术实现小鼠癫痫发作的自动化检测与量化评估

《Cell Reports Methods》：Visual detection of seizures in mice using supervised machine learning

本刊推荐：针对癫痫研究领域存在的脑电图(EEG)检测技术侵入性强、通量低、成本高等瓶颈问题，研究团队开发了一种基于监督式机器学习(ML)的视频分析方法。该方法通过训练行为分类器成功识别了特定癫痫行为（如Straub尾、腿部伸展等），并构建了复合癫痫强度量表，实现了对PTZ诱导癫痫小鼠模型的全时段和时序局部性发作强度预测。这项研究为临床前研究提供了可扩展、客观的非侵入性癫痫评估工具，显著提升了药物筛选和疾病建模的精准度。

　　

在神经科学领域，癫痫作为一种复杂的神经系统疾病，其研究长期依赖于脑电图(EEG)这一金标准检测手段。然而，EEG技术存在明显的局限性：它不仅需要通过手术植入电极，具有侵入性，还可能引发感染风险并影响动物的正常行为节律；同时，高昂的设备成本限制了其在大规模研究中的应用。特别是在利用小鼠模型进行遗传学研究和药物筛选时，传统的人工观察评分方法（如Racine量表）耗时耗力且存在主观偏差，难以满足高通量、精准化表型分析的需求。

为了突破这些技术瓶颈，来自杰克逊实验室的研究团队在《Cell Reports Methods》上发表了创新性研究成果。他们开发了一套基于监督式机器学习的视频分析方法，仅通过非侵入性的俯拍视频即可实现对小鼠癫痫发作行为的自动化检测和严重程度量化。该研究利用戊四氮(PTZ)诱导的小鼠癫痫模型，通过训练多种行为分类器识别特定的癫痫相关行为，并构建复合癫痫强度量表，为癫痫研究提供了一种经济、高效且客观的新工具。

研究团队主要采用了以下几项关键技术方法：首先，利用深度神经网络（HRNet）从原始视频中提取小鼠的姿势关键点和身体分割时序数据；其次，基于JAX动物行为系统(JABS)训练XGBoost/随机森林分类器，识别Straub尾、腿部伸展等六类癫痫行为；此外，结合开放式场行为特征，采用弹性网正则化的序数回归模型构建复合癫痫量表；最后，通过层次序数混合模型实现时间局部性发作强度预测。实验样本包括C57BL/6J和C57BL/6NJ小鼠的PTZ给药视频数据。

手动癫痫评分

研究人员采用PTZ癫痫诱导模型，对C57BL/6J和C57BL/6NJ小鼠进行不同剂量（0、40、60、80 mg/kg）的给药实验。通过双盲法评分验证，发现评分者间一致性较高（Cohen's κ=0.72），且Racine评分随PTZ剂量增加而升高。将Racine评分分为无、低、中、高四个癫痫强度等级，为后续建模提供了高质量的基础数据。

癫痫预测

研究团队开发了六种癫痫相关行为的分类器：Straub尾、腿部伸展、侧卧发作、狂跳、僵直和转圈行为。这些分类器表现出较高的识别准确率（F₁分数为0.81-0.92）。通过分析行为特征与PTZ剂量的相关性，发现Straub尾和腿部伸展等行为与癫痫强度显著相关，而常规的开放式场行为特征相关性较弱。

癫痫发作的可视化检测

通过行为时序图（ethogram）直观展示了不同剂量下癫痫行为的动态变化。结果显示，随着PTZ剂量增加，小鼠出现严重癫痫发作的时间提前，80 mg/kg剂量组的小鼠在4分钟内即因严重发作被实施安乐死。不同严重程度的癫痫行为呈现出明显的剂量依赖性特征。

可解释的复合癫痫量表

研究人员构建了一个包含38个特征的复合癫痫量表。线性判别分析表明，该量表能有效区分不同癫痫强度组别。通过嵌套交叉验证（10-fold nested CV）评估，模型的误分类误差为0.28±0.07，显著优于随机猜测（误差0.75）。特征权重分析显示，Straub尾和腿部伸展等行为对癫痫强度预测贡献最大。

癫痫强度的时间局部性检测

为了捕捉癫痫发作的时序动态特征，研究团队开发了基于1分钟时间窗的癫痫强度预测模型。留一法交叉验证（LOOCV）结果显示，预测的时间剖面能准确反映癫痫强度的演变过程。最大强度预测值与实际Racine分组高度一致，且与癫痫行为的发生时间点吻合。

这项研究的创新性在于首次实现了基于视频数据的小鼠癫痫强度序数分类（ordinal multiclass classification），而不仅仅是二分类（发作/非发作）。与现有的EPIDetect等专注于强直-阵挛发作检测的方法相比，该方法能够识别更广泛的癫痫行为谱系，包括低强度发作事件。虽然该方法尚不能检测面部抽搐等细微特征，但其非侵入性、高通量的特点使其特别适合长期监测和大规模遗传学研究。

研究结果表明，监督式机器学习方法能够从标准开放式场视频中稳健地量化癫痫严重程度。这一技术平台为癫痫的机制研究、药物筛选和并发症分析提供了可扩展的解决方案，有望推动精准医疗在癫痫领域的应用发展。未来工作可结合无监督学习方法，进一步丰富对发作期和发作间期行为的理解，实现更全面的动物表型分析。