Pupil-DLC: an open-source deep learning pipeline for scalable, markerless tracking of pupil dynamics across conscious and unconscious states

Resumen Técnico de Pupil-DLC

Planteamiento del Problema
El diámetro pupilar sirve como un biomarcador crítico y no invasivo de los estados cerebrales, correlacionándose con la activación, la atención, el procesamiento cognitivo y los niveles de conciencia. A pesar de su utilidad en la neurociencia, el campo de la pupilometría se encuentra actualmente limitado por las herramientas de software existentes que carecen de la escalabilidad, robustez y flexibilidad necesarias para manejar diversas condiciones experimentales. Existe una necesidad clara de una solución que pueda rastrear con precisión la dinámica pupilar a través de diversos estados de conciencia, desde la vigilia hasta estados inducidos por fármacos y anestesia, sin depender de marcadores invasivos.

Metodología
Para abordar estas limitaciones, los autores presentan Pupil-DLC, un pipeline de código abierto construido sobre el marco de trabajo de DeepLabCut para el seguimiento sin marcadores (markerless tracking). El desarrollo y entrenamiento de este sistema involucró un conjunto de datos sustancial que comprende 20.550 fotogramas anotados manualmente extraídos de más de 130 videos de pupilas. Estos videos presentan ratones con cabeza fija y en comportamiento libre a través de un espectro de condiciones, incluyendo la vigilia, la anestesia y diversos estados inducidos por fármacos (específicamente incluyendo psicodélicos).

El pipeline emplea un marco de modelo dual:

1. Modelo General (GM): Diseñado para el análisis de alto rendimiento de pupilas de ratones registradas mediante infrarrojos.
2. Modelo Individual (IM): Adaptado para la optimización específica de cada sesión para mejorar la precisión en configuraciones experimentales particulares.

Además, el sistema integra métricas de confianza interpretables, lo que permite a los investigadores realizar compensaciones fundamentadas entre la precisión del seguimiento y la retención de datos. La arquitectura está diseñada para ser computacionalmente eficiente mientras mantiene una alta fiabilidad de detección.

Resultos Clave
Pupil-DLC demuestra un desempeño robusto al capturar la dinámica pupilar dependiente del estado. Al ser validado contra datos de verdad de terreno (ground truth) anotados por humanos, el pipeline logra una alta concordancia y supera a los métodos automatizados establecidos tanto en precisión como en fiabilidad de detección.

Un hallazgo significativo respecto a la generalizabilidad del modelo es su capacidad de transferencia entre especies y condiciones de registro:

• Transferencia Zero-shot: El modelo se generaliza a registros de pupilas humanas por infrarrojos sin necesidad de reentrenamiento.
• Adaptación mediante Reentrenamiento: Con el reentrenamiento, el sistema se extiende con éxito a videos humanos grabados bajo diversas condiciones de luz diurna y de cámara, facilitando la pupiletría transespecie.

Significancia y Reivindicaciones
El artículo posiciona a Pupil-DLC como una plataforma flexible y reproducible diseñada para superar los cuellos de botella de escalabilidad y robustez de las herramientas actuales de pupiletría. Al aprovechar el aprendizaje profundo, el pipeline permite la cuantificación de la dinámica pupilar vinculada a los estados cerebrales a través de una amplia gama de paradigmas experimentales y especies (ratones y humanos). Los autores enfatizan que la naturaleza de código abierto de la herramienta, combinada con su arquitectura de modelo dual y sus métricas de confianza, proporciona un enfoque estandarizado para analizar la dinámica pupilar desde la vigilia hasta diversos estados de inconsciencia, incluyendo aquellos inducidos por psicodélicos y anestesia.