RatLab: una herramienta de visión por computadora para el análisis del comportamiento exploratorio en ratas en tareas de reconocimiento de objetos

"El estudio de la memoria de reconocimiento de objetos en roedores constituye una herramienta clave en neurociencia cognitiva, al permitir explorar procesos mnésicos sin reforzamiento ni entrenamiento previo y con alta validez ecológica. En la tarea de reconocimiento de objetos en laberinto en Y (Y-OR), uno de los paradigmas aplicados en este estudio, la cuantificación de la conducta exploratoria se realiza manualmente por observación en vivo o por video, un procedimiento intensivo y propenso a sesgos asociados a la fatiga, la subjetividad y los errores operativos. Estas limitaciones dificultan la reproducibilidad de los datos y su carga operativa compite con otras tareas críticas del trabajo experimental.

En los últimos años, los avances en visión por computadora y aprendizaje profundo hicieron posible estimar postura y clasificar conductas directamente desde imágenes, sin marcadores físicos ni intervención humana, superando las restricciones de los métodos clásicos. Sin embargo, las herramientas disponibles aún presentan barreras de accesibilidad, dependencia de hardware especializado o escasa flexibilidad para definir episodios conductuales de interés.

Este trabajo tuvo como objetivo desarrollar RatLab, una herramienta para la cuantificación automatizada del comportamiento exploratorio en Y-OR, integrada a un flujo de trabajo reproducible y accesible. Para ello, se construyó un conjunto de datos específico con etiquetas anatómicas y conductuales, y se entrenaron modelos basados en YOLO11-pose, que combinan detección de postura y clasificación en una sola etapa de inferencia. Se evaluaron distintas variantes del modelo mediante optimización bayesiana de hiperparámetros, priorizando la métrica mAP50-95-pose, la robustez frente a oclusiones y la eficiencia en CPU. Además, se implementó una aplicación web que permite cargar videos, validar interacciones detectadas mediante clips auditables y obtener automáticamente métricas de tiempo y el índice de discriminación (DI).

Los resultados muestran que la variante YOLO11n ofrece un desempeño equivalente a modelos de mayor tamaño con menor latencia de inferencia, posibilitando el procesamiento de videos en minutos en CPU. La concordancia frente al método manual por video resultó aceptable, con errores absolutos medios de 0.130 en DI y 2.9 s en tiempos por objeto. La inclusión de una etapa de revisión asistida permitió mitigar falsos positivos y reforzar la trazabilidad de las métricas. No obstante, durante la puesta en marcha de la herramienta se sugiere una corroboración de los resultados del DI frente a anotaciones manuales, a fin de asegurar consistencia en su aplicación.

En conclusión, RatLab sostiene la validez científica al establecer un balance entre automatización y revisión humana. Este marco permite estandarizar la cuantificación del comportamiento exploratorio, mejorando la consistencia de los resultados y disminuyendo la carga operativa del investigador. Su diseño modular asegura la aplicabilidad en laboratorios locales y sienta las bases para futuras extensiones hacia otros modelos y paradigmas conductuales".