一种基于深度学习的方法,用于在中枢神经系统损伤中进行公正的动力学分析

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 动物模型 动物模型

背景情况:

• 创伤性脊髓损伤 (SCI) 影响了美国超过30万人,导致感觉运动缺陷和.
• 目前对SCI的治疗开发受到缺乏敏感和可重复的功能评估方法的阻碍.
• 像巴索鼠标尺度 (BMS) 这样的传统运动测试在客观性和可测量指标的范围上有局限性.

研究的目的:

• 开发和验证新的,没有标记的动力学分析系统,用于评估SCI后的小鼠运动器官功能.
• 通过引入公正和敏感的行为分析工具来克服传统方法的局限性.
• 提高SCI研究结果的准确性,严谨性和可重复性.

主要方法:

• 开发了使用深度学习算法 (DeepLabCut) 的MotorBox (定制室) 和MotoRater (商用设备) 系统.
• 实现了没有标记器的动力学分析,以捕获详细的运动和步态指标.
• 通过将结果与传统的巴索鼠标尺度 (BMS) 测试进行比较来验证系统.

主要成果:

• 摩托Box和MotoRater系统提供了SCI后小鼠运动器官功能的准确和灵敏的表示.
• 这些系统有效地消除了传统评分方法固有的调查员偏见和变异性.
• 检测到SCI诱导的运动指标变化,如运动范围,步态,协调和速度,包括那些不能通过BMS测量的变化.

结论:

• MotorBox和MotoRater为SCI研究提供了强大,灵敏和可重复的功能评估手段.
• 将这些动力学分析与传统的评分方法 (如BMS) 整合起来,可以提高行为结果评估的严谨性和广度.
• 这些先进的工具对于提高SCI治疗临床转化成功率至关重要.