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

Pupil-DLC è una pipeline di deep learning open-source basata su DeepLabCut che consente un tracciamento scalabile, senza marcatori e robusto della dinamica pupillare attraverso diverse specie e stati di coscienza, superando i metodi esistenti in termini di accuratezza offrendo al contempo un'analisi flessibile e riproducibile sia per la pupillometria di topo che umana.

L'essenziale

Immagina la tua pupilla (il centro nero del tuo occhio) come una piccola finestra vivente che si apre e si chiude costantemente per mostrare cosa sta accadendo all'interno del tuo cervello. Quando sei vigile, concentrato o persino mentre sogni, questa finestra cambia dimensione. Gli scienziati desiderano da tempo misurare questi cambiamenti per comprendere gli stati cerebrali, ma gli strumenti che hanno usato finora sono come vecchie macchine fotografiche ingombranti: sono lenti, si rompono facilmente in nuove situazioni e faticano a stare al passo con l'azione.

Questo articolo presenta Pupil-DLC, un nuovo strumento software gratuito che agisce come un detective digitale super intelligente e instancabile per osservare queste finestre oculari. Ecco come funziona, usando dei semplici confronti:

La "Scuola di Formazione"
Per diventare un esperto, Pupil-DLC è andato in una massiccia scuola di formazione. Ha studiato oltre 20.000 istantanee tratte da più di 130 video di topi. Questi topi si trovavano in tuttisorti "umori": svegli e attivi, assonnati o sotto l'effetto di varie droghe (inclusi psichedelici e anestesia). Un team di esseri umani ha etichettato con cura ogni singola pupilla in queste foto per insegnare al computer esattamente cosa cercare.

Il "Kit a Due Strumenti"
Invece di usare un solo metodo, Pupil-DLC arriva con un kit a due strumenti:

1. Il Modello Generale (GM): Pensalo come una chiave universale. È progettato per funzionare istantaneamente su quasi ogni video di topo registrato con telecamere a infrarossi, rendendolo perfetto per analizzare enormi quantità di dati rapidamente senza dover essere personalizzato per ogni singolo topo.
2. Il Modello Individuale (IM): Questo è come un abito su misura. Se hai bisogno di una precisione estrema per un esperimento specifico, questo strumento si perfeziona per adattarsi alle caratteristiche uniche di quella specifica sessione.

Perché è Migliore
L'articolo sostiene che Pupil-DLC sia più accurato e affidabile rispetto agli strumenti attualmente considerati lo "standard d'oro". Non si limita a indovinare; fornisce un punteggio di confidenza, agendo come una previsione del tempo che ti dice: "Sono sicuro al 99% che questa pupilla sia aperta" oppure "Sono sicuro solo al 60%, quindi potresti voler ricontrollare questa parte". Questo aiuta i ricercatori a decidere quanta parte dei dati mantenere senza perdere accuratezza.

Attraversare i Confini tra le Specie
Il trucco forse più sorprendente è la sua capacità di generalizzare. Senza alcun addestramento extra, Pupil-DLC può guardare i video oculari a infrarossi di esseri umani e tracciare le pupille altrettanto bene quanto fa per i topi. Se i ricercatori gli forniscono un po' di addestramento extra su video umani ripresi alla luce del giorno o con diverse telecamere, può gestire anche quelle condizioni.

Il Punto Fondamentale
Pupil-DLC è una piattaforma open-source e flessibile che trasforma il compito difficile di tracciare i cambiamenti della pupilla in un processo fluido e automatizzato. Permette agli scienziati di misurare gli stati cerebrali sia nei topi che negli esseri umani attraverso una vasta gamma di condizioni — dal sonno profondo agli effetti delle droghe — utilizzando uno strumento che è veloce, accurato e costruito per durare.

Sommario tecnico

Sintesi Tecnica di Pupil-DLC

Problematica
Il diametro pupillare funge da biomarcatore critico e non invasivo per gli stati cerebrali, correlando con l'arousal, l'attenzione, l'elaborazione cognitiva e i livelli di coscienza. Nonostante la sua utilità nelle neuroscienze, il campo della pupillometria è attualmente limitato dagli strumenti software esistenti che mancano della necessaria scalabilità, robustezza e flessibilità per gestire diverse condizioni sperimentali. Esiste una chiara necessità di una soluzione in grado di tracciare accuratamente la dinamica pupillare attraverso vari stati di coscienza, dalla veglia agli stati indotti da farmaci e dall'anestesia, senza fare affidamento su marcatori invasivi.

Metodologia
Per affrontare queste limitazioni, gli autori introducono Pupil-DLC, una pipeline open-source basata sul framework DeepLabCut per il tracciamento markerless. Lo sviluppo e l'addestramento di questo sistema hanno coinvolto un dataset sostanziale composto da 20.550 fotogrammi annotati manualmente estratti da oltre 130 video di pupille. Questi video presentano topi in posizione fissa o in movimento attraverso uno spettro di condizioni, inclusi la veglia, l'anestesia e vari stati indotti da farmaci (nello specifico, inclusi psichedelici).

La pipeline impiega un framework a doppio modello:

1. Modello Generale (GM): Progettato per l'analisi ad alto throughput di pupille di topo registrate in infrarossi.
2. Modello Individuale (IM): Predisposto per l'ottimizzazione specifica per sessione, al fine di migliorare la precisione per particolari setup sperimentali.

Inoltre, il sistema integra metriche di confidenza interpretabili, consentendo ai ricercatori di effettuare compromessi fondati tra accuratezza del tracciamento e ritenzione dei dati. L'architettura è progettata per essere computazionalmente efficiente pur mantenendo un'elevata affidabilità di rilevamento.

Risultati Chiave
Pupil-DLC dimostra prestazioni robuste nel catturare la dinamica pupillare dipendente dallo stato. Quando validato rispetto a dati di ground truth annotati da esseri umani, la pipeline raggiunge un alto grado di accordo e supera i metodi automatizzati consolidati sia in termini di accuratezza che di affidabilità del rilevamento.

Un risultato significativo riguardante la generalizzabilità del modello è la sua capacità di trasferirsi tra specie e condizioni di registrazione:

• Trasferimento Zero-shot: Il modello si generalizza alle registrazioni della pupilla umana in infrarossi senza richiedere un nuovo addestramento.
• Adattamento tramite Rioraddestramento: Con il riaddestramento, il sistema si estende con successo ai video umani registrati sotto diverse condizioni di luce diurna e di camera, facilitando la pupillometria cross-specie.

Significatività e Rivendicazioni
Il documento posiziona Pupil-DLC come una piattaforma flessibile e riproducibile, progettata per superare i colli di bottiglia di scalabilità e robustezza degli attuali strumenti di pupillometria. Sfruttando il deep learning, la pipeline consente la quantificazione della dinamica pupillare legata agli stati cerebrali attraverso un'ampia gamma di paradigmi sperimentali e specie (topi e umani). Gli autori sottolineano che la natura open-source dello strumento, combinata con la sua architettura a doppio modello e le metriche di confidenza, fornisce un approccio standardizzato per analizzare la dinamica pupillare dalla veglia attraverso diversi stati di incoscienza, inclusi quelli indotti da psichedelici e anestesia.