Classification of spinal cord injury in rats by machine learning of gait parameters

Omurilik yaralanması (OY), duyu ve motor fonksiyonlarını önemli ölçüde et-kileyen, yüksek morbiditeye sahip kritik bir nörolojik durumdur. Bu tez, yürüme parametrelerinin ve lokomotor skorlamalarının makine öğrenimi tabanlı analizini kullanarak sıçanlarda OY sonrası geçen süreyi ve nörostimülasyon tedavi alımını sınıflandırmak için yeni bir yaklaşım sunmaktadır. Sıçan hareket görüntülerinden edinilen veri-lerle sınıflandırma doğruluğu ve yöntemin uygulanabilirliği açısından literatürdeki mevcut çalışmalarla karşılaştırmaktadır. Analiz edilen temel parametreler arasında Basso, Beattie and Bresnahan (BBB) lokomotor derecelendirme skalası ve Von Frey (vF) ge-riçekme eşiği gibi ölçümlerin yanı sıra basma fazı, salınım fazı, adım uzunluğu, basma fazı oranı ve pati alanı yer almaktadır. İşaretleyicisiz poz tahmin aracı olan DeepLabCut (DLC) ile sadece yanal görüntü odaklı metotlarla ilişkili zorlukların üstesinden gelinerek yürüme parametreleri çıkarıl-mıştır. Daha sonra yürüme parametreleri, BBB skorları ve vF eşik değerleri farklı algoritmalar kullanan Kollektif Öğrenme yöntemine öznitelik olarak verilmiş ve yaralanma sonrası süre ve deneklerin nöromodülasyon tedavisi alıp almadıkları öngörülmüştür. OY olan hayvanlarda ön ve arka ayaklardan elde edilen yürüme parametreleri ve BBB skorlarıyla yaralanma sonrası 6 farklı hedef sınıfı \%43 doğrulukla bulunmuştur. Aynı öznitelik kümesiyle tedavi ise \%71 doğrulukla öngörülmüştür. Sonuçlar, yöntemin tedavi gruplarını ve OY süresini sınıflandırmada etkili olduğunu göstermiştir. Ancak doğruluğu arttırmak için ek çalışmalar gerekmektedir. Derin öğrenme ile parametre çıkarımı OY araştırmaları için erişilebilir, uygun maliyetli çözüm sağlamaktadır.