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

想象一下你的瞳孔（你眼睛中心的黑色部分）就像一扇微小的、活生生的窗户，不断地开合，以展示你大脑内部正在发生的事情。当你保持警觉、专注甚至做梦时，这扇窗户的大小都会发生变化。科学家们长期以来一直希望测量这些变化，以了解大脑的状态，但他们目前使用的工具就像是陈旧、笨重的照相机：它们反应迟钝，在面对新情况时容易损坏，并且难以跟上动作的节奏。

这篇论文介绍了 Pupil-DLC，这是一个全新的、免费的软件工具，它就像一个超级聪明、不知疲倦的数字侦探，专门负责观察这些“眼睛之窗”。以下是它的工作原理，我们使用简单的类比来解释：

“训练学校”
为了成为一名专家，Pupil-DLC 参加了一所规模宏大的训练学校。它学习了来自 130 多个小鼠视频的超过 20,000 张快照。这些小鼠处于各种不同的“情绪”中：清醒且活跃、昏昏欲睡，或者在各种药物（包括致幻剂和麻醉剂）的影响下。一个人类团队仔细地标注了这些照片中的每一个瞳孔，以此来教计算机准确识别目标。

“双工具包”
Pupil-DLC 不仅仅使用一种方法，它配备了一个双工具包：

1. 通用模型 (GM)： 可以将其想象成一把万能钥匙。它旨在几乎可以立即应用于任何使用红外摄像机记录的小鼠视频，非常适合快速分析海量数据，而无需为每一只小鼠进行定制。
2. 个体模型 (IM)： 这就像是一套量身定制的西装。如果你需要针对特定实验进行极高精度的追踪，这个工具可以针对该特定实验阶段的独特特征进行微调。

为什么它更好
论文声称，Pupil-DLC 比目前的“金标准”工具更准确、更可靠。它不仅仅是在猜测，它还会提供一个置信度评分，就像天气预报一样告诉您：“我有 99% 的把握确定这个瞳孔是张开的，”或者“我只有 60% 的把握，所以您可能需要复查这一部分。”这有助于研究人员决定保留多少数据而不损失准确性。

跨越物种的边界
最令人惊讶的技巧或许是它的泛化能力。无需任何额外训练，Pupil-DLC 就可以观察人类的红外眼部视频，并像追踪小鼠一样精准地追踪瞳孔。如果研究人员利用日光下的真人视频或使用不同摄像机拍摄的视频对其进行少许额外训练，它也能应对这些情况。

底线总结
Pupil-DLC 是一个开源、灵活的平台，它将追踪瞳孔变化的困难任务转变为一个流畅、自动化的过程。它让科学家能够测量小鼠和人类在各种条件下的脑状态——从深度睡眠到药物影响——使用的是一个快速、准确且经久耐用的工具。