Desde el conteo manual hasta el YOLO: uso de la visión por computadora para automatizar ensayos de fecundidad a gran...

Área de la Ciencia:

• Biología evolutiva
• Biología del desarrollo
• Biología computacional

Sus antecedentes:

• Las mediciones de fecundidad son vitales para comprender la aptitud reproductiva y la dinámica de la población.
• El conteo manual de crías en Caenorhabditis elegans es laborioso y propenso a errores.
• Los métodos automatizados prometen una mayor precisión y eficiencia en los análisis de fecundidad.

Objetivo del estudio:

• Desarrollar y validar un enfoque de visión por computadora para el conteo automatizado de crías en C. elegans.
• Comparar el rendimiento de los modelos de visión por ordenador con los métodos de conteo manual.
• Evaluar el impacto de la visión por ordenador en la velocidad y la consistencia de los ensayos de fecundidad.

Principales métodos:

• Visión aplicada por computadora utilizando modelos YOLO (You Only Look Once) (v8-v11) para analizar 9.972 imágenes de las crías de C. elegans.
• Modelo YOLO v11-L entrenado y afinado para la detección y el recuento de crías viables.
• Comparó los recuentos automatizados con los recuentos manuales y los datos de verdad, evaluando la precisión y el recuerdo.

Principales resultados:

• El mejor modelo de visión por computadora (YOLO v11-L) logró un 92% de recuperación y un 94,6% de precisión en la detección de crías.
• Los recuentos de visión por computadora tuvieron una diferencia media de 0,95 crías por imagen, significativamente menor que los recuentos manuales (2,65).
• Los recuentos manuales exhibieron sesgos relacionados con la identidad del contador y las condiciones experimentales, que estaban ausentes en los recuentos de visión por computadora.

Conclusiones:

• La visión por computadora ofrece una herramienta poderosa, eficiente y consistente para los ensayos de fecundidad de C. elegans.
• Este enfoque automatizado supera las limitaciones del conteo manual, reduciendo errores y sesgos.
• El proyecto desarrollado puede aplicarse ampliamente para acelerar la investigación ecológica y evolutiva mediante el análisis de imágenes digitales.