Mapping bioimage-analysis software adoption in microscopy
Diese Studie analysiert 1,7 Millionen Mikroskopie-Publikationen von 2010 bis 2025, um eine wachsende Abhängigkeit von Bildanalysesoftware aufzuzeigen – angeführt von ImageJ/Fiji mit zunehmender fachspezifischer Einführung von Werkzeugen wie QuPath und napari – während sie gleichzeitig hervorhebt, dass Zitationszahlen die tatsächliche Nutzung oft unterschätzen, und Forscher dazu drängt, ihre Softwaremethoden explizit zu zitieren und zu berichten, um die Reproduzierbarkeit zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Moderne Mikroskope machen nicht nur Bilder; sie erzeugen riesige, vielschichtige digitale Dateien, die die Geheimnisse darüber bewahren, wie Zellen sich bewegen, teilen und interagieren. Ein Rohbild ist jedoch nur der Anfang der Geschichte. Um diese Pixel in biologisches Wissen zu verwandeln – etwa um zu zählen, wie viele Zellen vorhanden sind, ihre Größe zu messen oder ihre Bewegung zu verfolgen – müssen Wissenschaftler Computerprogramme zur Analyse der Daten verwenden. Diese Programme sind die Werkzeuge, die visuelle Informationen in Zahlen übersetzen. Die Wahl des jeweiligen Werkzeugs ist von entscheidender Bedeutung, da verschiedene Programme aus demselben Bild manchmal unterschiedliche Messungen liefern können. Wenn zwei Labore dasselbe biologische Ereignis untersuchen, aber unterschiedliche Software verwenden, könnten sie zu unterschiedlichen Schlussfolgerungen über die Größe einer Zelle oder die Anzahl ihrer Teilungen kommen. Dies stellt eine Herausforderung für die Wissenschaft dar: Wenn die Werkzeuge nicht klar benannt und beschrieben werden, können andere Forscher das Experiment nicht wiederholen, um die Ergebnisse zu verifizieren.
Seit Jahren weiß die wissenschaftliche Gemeinschaft, dass diese Softwarewerkzeuge entscheidend sind, doch niemand besaß eine klare Karte darüber, welche davon in der realen Welt tatsächlich verwendet werden. Die Informationen waren verstreut, verborgen in den Methodenteilen von Millionen von Forschungsarbeiten, oft nur beiläufig erwähnt, ohne einen formellen Verweis. Um dies zu lösen, setzte sich ein Team von Forschern zum Ziel, die in der globalen Literatur der Mikroskopie erwähnte Software zu zählen und zu kategorisieren. Sie scannten 1,7 Millionen Volltext-Forschungsarbeiten, die zwischen 2010 und 2025 veröffentlicht wurden, und suchten nach Erwähnungen von dreißig spezifischen Softwarepaketen. Ihr Ziel war es zu sehen, wie sich die Landschaft dieser Werkzeuge im Laufe der Zeit verändert hat, welche zu einem Standard geworden sind und wie Forscher deren Nutzung berichten.
Die Forscher fanden heraus, dass der Gebrauch von Bildanalysesoftware viel schneller gewachsen ist als die Anzahl der Mikroskopie-Veröffentlichungen selbst. Im Jahr 2010 erwähnten nur 12 Prozent der Mikroskopie-Arbeiten mindestens eines der von ihnen verfolgten Analysewerkzeuge. Bis 2025 war diese Zahl auf 30 Prozent gestiegen. Trotz dieses explosionsartigen Wachstums ist das Feld nicht zu einem chaotischen Mix aus Hunderten verschiedener Werkzeuge geworden. Stattdessen konzentrieren sich die Erwähnungen stark auf einige wenige Mehrzweckplattformen. Ein Programm namens ImageJ/Fiji dominiert die Landschaft. Im Jahr 2025 wurde es in 28 Prozent aller Volltext-Mikroskopie-Arbeiten erwähnt und machte 82 Prozent aller Erwähnungen der von ihnen verfolgten Analysepakete aus. Dies deutet darauf darauf hin, dass zwar neue Werkzeuge erscheinen, die wissenschaftliche Gemeinschaft aber weiterhin auf eine kleine Auswahl etablierter, vielseitiger Plattformen für den Großteil ihrer Routinearbeit vertraut.
Die Studie zeigte jedoch auch, dass sich die Dominanz dieser älteren Plattformen langsam verschiebt, während spezialisierte Werkzeuge in bestimmten Bereichen an Boden gewinnen. Beispielsweise hat ein Programm namens QuPath ein rasantes Wachstum erlebt, insbesondere im Bereich der Pathologie, wo Wissenschaftler Gewebeproben untersuchen, um Krankheiten zu diagnostizieren. Ähnlich wird ein Tool namens napari häufig in Arbeiten erwähnt, die sich mit der Elektronenmikroskopie befassen, welche Elektronenstrahlen nutzt, um Strukturen zu sehen, die viel kleiner sind, als das Licht sie enthüllen könnte. Neuere Methoden, die auf Deep Learning basieren und es Computern ermöglichen, Muster wie Zellgrenzen zu erkennen, werden ebenfalls immer geläufiger. Doch selbst diese fortschrittlichen Methoden werden oft zusammen mit den etablierten Plattformen eingesetzt. Die Forscher fanden heraus, dass Arbeiten, die das Deep-Learning-Tool Cellpose erwähnen, oft auch ImageJ/Fiji erwähnen, und dass Arbeiten, die StarDist verwenden, dieses häufig innerhalb der ImageJ-Umgebung ausführen. Dies deutet darauf hin, dass Wissenschaftler neue, leistungsstarke Algorithmen in die vertrauten Arbeitsabläufe integrieren, die sie bereits kennen, anstatt ihre alten Werkzeuge gänzlich aufzugeben.
Ein erheblicher Teil der Studie konzentrierte sich darauf, wie gut Forscher ihre Methoden angeben, ein Schlüsselfaktor für die wissenschaftliche Zuverlässigkeit. Das Team stellte fest, dass viele Arbeiten ein Softwarepaket erwähnen, ohne jedoch die Publikation zu zitieren, die es eingeführt hat. Für das populärste Tool, ImageJ/Fiji, enthielten 86 Prozent der Arbeiten, die es im Jahr 2025 erwähnten, keinen Verweis auf dessen Originalpublikation. Diese Lücke ist bei neueren Tools wie QuPath und Cellpose noch größer, wo der Anteil der Arbeiten, die die Software erwähnen, ohne sie zu zitieren, drastisch angestiegen ist. Dies bedeutet, dass das bloße Zählen der Häufigkeit, mit der eine Software in einem Literaturverzeichnis zitiert wird, die tatsächliche Nutzung unterschätzt. Darüber hinaus überprüften die Forscher die Sätze, in denen die Software erwähnt wurde, und stellten fest, dass eine große Anzahl von Arbeiten es versäumte, wesentliche Details anzugeben. Im Jahr 2025 gaben 61 Prozent der Arbeiten, die ImageJ/Fiji erwähnten, 52 Prozent derjenigen, die StarDist erwähnten, und 36 Prozent derjenigen, die Cellpose erwähnten, weder die Version der Software noch die spezifische Funktion oder die angewendeten Einstellungen an. Ohne diese Details ist es unmöglich für einen anderen Wissenschaftler, genau nachzuvollziehen, wie die Analyse durchgeführt wurde, was die Reproduzierbarkeit der Ergebnisse erschwert.
Die Studie kommt zu dem Schluss, dass das Feld, während die Anzahl der Arbeiten, die Bildanalysesoftware nutzen, wächst, weiterhin durch einige Kernplattformen verankert bleibt, denen Forscher aufgrund ihrer Vielseitigkeit vertrauen. Der Aufstieg des Deep Learning hat mächtige neue Fähigkeiten hinzugefügt, aber diese werden oft in bestehende Arbeitsabläufe eingewoben, anstatt sie zu ersetzen. Das dringlichste Problem, das identifiziert wurde, ist nicht der Mangel an Werkzeugen, sondern der Mangel an Transparenz bei deren Anwendung. Die Autoren argumentieren, dass für die Reproduzierbarkeit der Wissenschaft Forscher mehr tun müssen, als nur die verwendete Software zu benennen; sie müssen die Originalarbeiten zitieren, die Versionsnummern angeben und die Einstellungen sowie Parameter beschreiben. Indem sie diese Details sichtbar machen, kann die wissenschaftliche Gemeinschaft sicherstellen, dass die digitalen Werkzeuge, die die moderne Mikroskopie vorantreiben, so zuverlässig und transparent sind wie die Mikroskope selbst.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.