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

Resumo Técnico do Pupil-DLC

Problema
O diâmetro da pupila serve como um biomarcador crítico e não invasivo para estados cerebrais, correlacionando-se com o nível de alerta, atenção, processamento cognitivo e níveis de consciência. Apesar de sua utilidade na neurociência, o campo da pupilometria é atualmente limitado por ferramentas de software existentes que carecem da escalabilidade, robustez e flexibilidade necessárias para lidar com diversas condições experimentais. Existe uma necessidade distinta de uma solução que possa rastrear com precisão a dinâmica pupilar através de variados estados de consciência, desde a vigília até estados induzidos por drogas e anestesia, sem depender de marcadores invasivos.

Metodologia
Para abordar essas limitações, os autores introduzem o Pupil-DLC, um pipeline de código aberto construído sobre o framework DeepLabCut para rastreamento sem marcadores (markerless tracking). O desenvolvimento e o treinamento deste sistema envolveram um conjunto substancial de dados compreendendo 20.550 quadros anotados manualmente extraídos de mais de 130 vídeos de pupilas. Estes vídeos apresentam camundongos em posição fixa e em comportamento através de um espectro de condições, incluindo vigília, anestesia e vários estados induzidos por drogas (incluindo especificamente psicodélicos).

O pipeline emprega uma estrutura de modelo duplo:

1. Modelo Geral (GM): Projetado para análise de alto rendimento de pupilas de camundongos registradas em infravermelho.
2. Modelo Individual (IM): Adaptado para otimização específica de cada sessão para aumentar a precisão para configurações experimentais particulares.

Adicionalmente, o sistema integra métricas de confiança interpretáveis, permitindo que pesquisadores façam trocas fundamentadas entre a precisão do rastreamento e a retenção de dados. A arquitetura é projetada para ser computacionalmente eficiente enquanto mantém alta confiabilidade de detecção.

Resultos Principais
O Pupil-DLC demonstra um desempenho robusto na captura da dinâmica pupilar dependente do estado. Quando validado contra dados de verdade fundamental (ground truth) anotados por humanos, o pipeline alcança alta concordância e supera métodos automatizados estabelecidos tanto em precisão quanto em confiabilidade de detecção.

Uma descoberta significativa em relação à generalização do modelo é sua capacidade de transferência entre espécies e condições de registro:

• Transferência Zero-shot: O modelo generaliza para registros de pupila infravermelha humana sem a necessidade de retreinamento.
• Adaptação por Retreinamento: Com o retreinamento, o sistema estende-se com sucesso para vídeos humanos registrados sob diversas condições de luz do dia e de câmera, facilitando a pupilometria entre espécies.

Significância e Alegações
O artigo posiciona o Pupil-DLC como uma plataforma flexível e reprodutível projetada para superar os gargalos de escalabilidade e robustez das ferramentas atuais de pupilometria. Ao alavancar o aprendizado profundo (deep learning), o pipeline permite a quantificação da dinâmica pupilar ligada ao estado cerebral através de uma ampla gama de paradigmas experimentais e espécies (camundongos e humanos). Os autores enfatizam que a natureza de código aberto da ferramenta, combinada com sua arquitetura de modelo duplo e métricas de confiança, fornece uma abordagem padronizada para analisar a dinâmica pupilar desde a vigília até diversos estados de inconsciência, incluindo aqueles induzidos por psicodélicos e anestesia.