中风是导致死亡和残疾的主要原因，每年影响超过1500万人。开发有效的疗法依赖于对临床前模型中感觉运动恢复的准确、可扩展的评估方法。标准运动测试如网格行走和阶梯测试依赖手动评分，限制了客观性和通量。为解决此问题，研究人员比较了市售自动阶梯测试与一种新开发的基于D
中风是导致死亡和残疾的主要原因，每年影响超过1500万人。开发有效的疗法依赖于对临床前模型中感觉运动恢复的准确、可扩展的评估方法。标准运动测试如网格行走和阶梯测试依赖手动评分，限制了客观性和通量。为解决此问题，研究人员比较了市售自动阶梯测试与一种新开发的基于DeepLabCut（DLC）的深度学习网格行走测试，在光血栓小鼠中风模型中进行研究。结果显示，自动阶梯测试系统未能检测到中风动物中显著的偏侧缺陷。尽管组织学确认了运动皮层梗死，且手动评分在网格行走测试中显示功能缺损，但该系统未捕获到预期的受影响前爪步态错误增加。相反，基于DLC的网格行走模型提供了这一广泛使用测试的完全自动化量化。它实现了毫米级追踪精度，并检测到中风小鼠相比对照组足部错误增加约3倍，在至少中风后2周内清晰区分受影响和未受影响的前爪。这些发现揭示了商业自动阶梯测试的局限性，并证明基于DLC的姿态估计辅助的步态错误量化在网格行走测试中检测运动缺损具有更高的敏感性。
### 论文解读：基于深度学习的网格行走测试用于评估小鼠中风后运动功能
中风是全球死亡和残疾的主要原因，每年影响约1500万人，其中约60%为缺血性中风。为理解病理机制并开发新治疗策略，研究人员建立了多种动物中风模型，其中小鼠模型是主要焦点。光血栓模型是常用的缺血性中风模型之一，通过诱导内皮损伤、血小板粘附和血凝块形成阻塞脑血管，造成局灶性脑缺血。该模型侵袭性最小，适合中风恢复研究，且梗死大小和位置灵活，可针对特定脑区。然而，评估中风后感觉、运动和认知功能障碍依赖于合适的行为测试。网格行走测试（又称足部错误测试）是中风恢复研究中推荐的运动测试之一，用于评估自发前肢行为。但手动视频分析劳动密集、耗时，且存xc运动科技有限公司在主观性。自动阶梯测试仪器（如BIOSEB）虽能实时检测四足错误，但其在检测中风后偏侧运动缺损方面的效用xc运动科技有限公司尚未验证。同时，深度学习平台如DeepLabCut（DLC）提供了无标记姿态估计，已在多种神经疾病模型中应用，但网格行走测试的自动化高吞吐量化系统仍缺乏。因此，本研究旨在评估商业自动阶梯测试检测光血栓小鼠模型中单侧前爪功能障碍的能力，并开发基于DLC的网格行走测试评分模型，提供人工智能驱动的客观步态错误量化方法。
研究人员采用光血栓小鼠模型，比较了商业自动阶梯测试（BIOSEB）与基于DLC的网格行走测试在检测运动缺损方面的性能。结果显示，自动阶梯测试未能检测到中风小鼠的显著单侧运动缺损，而DLC-based网格行走测试在至少2周内持续检测到受影响前爪的步态错误增加约3倍，且与手动评分高度一致。该研究证明了基于DLC的网格行走测试在评估中风后运动功能方面具有更高的敏感性，为自动化行为表型分析提供了可扩展的策略。论文发表在《Frontiers in Behavioral Neuroscience》。
研究人员使用光血栓模型（通过Rose Bengal注射和光照射诱导右侧运动皮层梗死）在CD-1雄性小鼠（8-10周龄，来自Charles River Laboratories）中进行。关键方法包括：手动视频分析（使用BORIS软件进行帧对帧手动评分）；商业自动阶梯测试（BIOSEB，法国，使用红外光束检测足部错误）；基于DeepLabCut（DLC）的深度学习模型（ResNet-50骨干网络，训练于4,065张手动标注帧，标注8个解剖标志和4种步态错误类型）。样本队列包括20只小鼠（每组10只，sham vs. stroke）。统计使用混合效应模型和事后Tukey检验。
通过手动帧对帧视频分析，研究人员发现光血栓中风导致受影响（左）前爪步态错误百分比显著且持续增加。最大效应出现在中风后第3天（PSD3），错误率22.83%，与基线仍显著。未受影响前爪无显著变化。该结果确认了中风后至少14天的持续运动缺损。
<
使用BIOSEB自动阶梯测试，研究人员未观察到中风小鼠受影响前爪步态错误的显著改变（组间和组内比较均无显著差异）。无论是分析全部15次穿越还是仅前5次或后5次，均未检测到差异。步数分析显示两组间步频相似（约2步/秒），排除了步数计数不准确的可能。
研究人员使用DLC训练了神经网络（ResNet-50），标注了8个解剖标志和4种步态错误类型。训练集包含4,065帧，交叉熵损失在500,000次迭代后低于0.002，测试集追踪精度达7.6像素（约0.11 cm）。DLC模型在网格行走测试中成功检测到中风小鼠受影响前爪的显著步态错误增加，最大效应在PSD3（20.76%），与基线持续显著。未受影响前爪无显著变化。步数计数与手动评分几乎一致。
组织学分析（Cresyl violet染色）确认中风小鼠右侧半球初级运动皮层梗死，平均梗死面积0.95±0.16 mm2，平均梗死体积1.25±0.18 mm3。梗死体积与手动评分（r=0.93，p
0.0001）和dlc评分（r=0.59，p=0.047）的步态错误率显著正相关。梗死位置也影响运动表现，更靠前的梗死与较少错误相关（手动评分r=-0.86，p=0.027）。
<
Bland-Altman分析显示平均偏差为3个百分点（DLC低估），95%一致性界限为-6.02至12.14个百分点。组内相关系数（ICC）为0.62，表明中等一致性。Spearman相关分析显示中等正相关（r=0.51，p
0.0001）。roc曲线，youden指数确定最优阈值为7.63%错误率，特异性0.913，敏感性0.788，表明dlc具有良好判别性能。
<
本研究评估了商业自动阶梯测试（BIOSEB）在检测小鼠光血栓中风后运动缺损中的性能，并开发了基于DLC的网格行走测试自动评分模型。自动阶梯测试未能检测到中风诱导的显著偏侧运动缺损，而DLC方法持续记录了网格行走测试中的运动缺损，建立深度学习行为分析作为自动化中风后表型分析的可扩展且敏感的策略。
总之，研究人员的观察结果表明，市售自动阶梯测试（BIO-LADDERTEST，BIOSEB，法国）缺乏一致检测光血栓小鼠中风模型中单侧感觉运动缺损所需的敏感性。相比之下，研究人员首次开发了基于DLC的自动模型来评估网格行走测试中的步态错误，并且该深度学习模型可靠地识别了同一批中风动物的运动缺损。这些结果凸显了人工智能驱动的行为分析的可重复性和客观性，未来研究可探索将机器学习检测整合到自动阶梯测试中以增强其性能。总体而言，研究人员的数据支持深度学习驱动平台在提高实验性中风研究方法学标准方面的日益增长的潜力。
