高分辨率成像技術的出現使醫療保健人員和科學家對癲癇患者的腦電路故障有了更多的了解，但對癲癇如何影響行為的了解卻不多。一項新的研究在小鼠身上使用了最先進的人工智能來捕捉與癲癇有關的行為，這些行為可能會被人的眼睛所忽略。

兩塊彩色的像素。每個像素代表一個小鼠行為或”音節”，每行顯示一隻小鼠的行為模式。底部區塊顯示了與對照組相比，上面的癲癇小鼠的行為模式。研究人員使用了一種機器學習工具來分析小鼠行為。每一行代表一隻特定小鼠的行為序列或”音節”。每個音節都被分配了一個單獨的顏色（對照組在最上面的區塊；下面是癲癇的小鼠模型）。資料來源：斯坦福大學醫學院Soltesz實驗室。

癲癇是最常見的慢性腦部疾病，影響著全世界數百萬人。它可以影響任何年齡段的人，對一些人來說，治療不僅產生討厭的副作用，而且不能防止癲癇發作的發生。

癲癇診斷和治療評估的傳統方法包括使用連續幾天或幾週的視頻腦電圖（EEG）監測。但考慮到病情的複雜性和多樣性，以及一些癲癇發作不會出現在腦電圖上的事實，這可能是一個相當鈍的工具。此外，它既是勞動密集型的，又是主觀的。醫護人員必須查看和分析數小時的視頻-腦電圖記錄，並依靠他們的能力來注意通常輕微的行為變化。

現在，研究人員已經使用名為MoSeq（或運動測序）的人工智能技術來分析癲癇小鼠的行為，確定人眼無法注意到的行為”指紋”。

MoSeq是一種機器學習技術，它訓練一個無監督的機器來識別重複的行為模式。識別行為後，MoSeq提供了一套可視化工具和統計測試，幫助科學家理解這些行為，並將其與一系列實驗條件進行比較。

利用MoSeq分析自由移動的小鼠的3D視頻，研究人員能夠定位、跟踪和量化小鼠的行為。他們發現，該技術能夠更好地區分癲癇小鼠和非癲癇小鼠，比訓練有素的人類觀察者的表現更好。此外，它只需要一個小時的視頻記錄，而且與傳統方法不同，在提供分析前不需要發作。

研究人員能夠使用人工智能來區分小鼠在被給予三種抗癲癇藥物之一後的行為模式。

機器學習技術的成功使用表明它有可能用於人類，為診斷癲癇和測試抗癲癇藥物的療效提供一種更快、更省力、更低成本和更客觀的方法。

該研究發表在《神經元》雜誌上。