Глубокое обучение для анализа неврологических проблем

Посещение врача для обследования может быть затруднительным для людей с неврологическими расстройствами, нарушающими движение, например, после инсульта. Исследование доктора Хардипа Райата и его коллег из CCBN-Университета Летбриджа (Альберта, Канада), опубликованное 21 ноября в журнале с открытым доступом PLOS Biology, показывает, как это может стать возможным в будущем.

Учёные использовали крыс, перенёсших инсульт, который повлиял на движение их передних конечностей. Сначала эксперты оценили степень нарушения у крыс на основе того, как они тянулись за едой. Затем эту информацию загрузили в современную глубокую нейронную сеть, чтобы она научилась оценивать движения крыс с точностью, сопоставимой с человеческой.

Когда сети позже предоставили видеозаписи новых крыс, тянущихся за едой, она также смогла оценить их нарушения с аналогичной, "человеческой" точностью. Та же программа оказалась способна оценивать и другие тесты, проводимые на крысах и мышах, включая тест на способность ходить по узкой балке и тянуть за верёвку, чтобы получить награду в виде еды.

Искусственные нейронные сети в настоящее время используются для управления автомобилями, анализа видеонаблюдения и мониторинга трафика. Эта революция в их применении побудила нейробиологов использовать такие сети для оценки сложного поведения подопытных субъектов. Аналогично, неврологические расстройства также могут оцениваться автоматически, что позволит количественно оценивать поведение как часть обследования или для оценки эффектов лекарственного лечения. Это может помочь избежать задержек, которые часто становятся серьёзным препятствием в лечении пациентов.

В целом, это исследование показывает, что глубокие нейронные сети могут обеспечить надёжную оценку для неврологического обследования и помочь в разработке поведенческих метрик для диагностики и мониторинга неврологических расстройств.

Интересно, что результаты показали: эта сеть может использовать более широкий спектр информации, чем тот, который закладывают эксперты в систему оценки поведения. Ещё одним важным вкладом этого исследования является способность сети выявлять особенности поведения, которые наиболее показательны для двигательных нарушений. Это важно, поскольку имеет потенциал для улучшения мониторинга эффектов реабилитации.

Такой метод поможет стандартизировать диагностику и мониторинг неврологических расстройств, а в будущем может использоваться пациентами дома для отслеживания ежедневных симптомов.