Mapping bioimage-analysis software adoption in microscopy
Este estudio analiza 1,7 millones de artículos de microscopía desde 2010 hasta 2025 para revelar una creciente dependencia de los programas de análisis de imágenes —liderada por ImageJ/Fiji con una creciente adopción de herramientas específicas del campo como QuPath y napari— al tiempo que destaca que el recuento de citas a menudo subestima el uso real e insta a los investigadores a citar y reportar explícitamente sus métodos de software para mejorar la reproducibilidad.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Los microscopios modernos no solo toman fotografías; generan archivos digitales vastos y multicapa que guardan los secretos de cómo las células se mueven, se dividen e interactúan. Sin embargo, una imagen en bruto es solo el comienzo de la historia. Para convertir esos píxeles en conocimiento biológico —contar cuántas células hay presentes, medir su tamaño o rastrear su movimiento—, los científicos deben utilizar programas informáticos para analizar los datos. Estos programas son las herramientas que traducen la información visual en números. La elección de qué herramienta usar importa profundamente porque diferentes programas pueden producir, a veces, mediciones distintas a partir de la misma imagen exacta. Si dos laboratorios estudian el mismo evento biológico pero utilizan software diferente, podrían llegar a conclusiones distintas sobre el tamaño de una célula o el número de veces que se dividió. Esto crea un desafío para la ciencia: si las herramientas no se nombran y describen claramente, otros investigadores no pueden repetir el experimento para verificar los resultados.
Durante años, la comunidad científica ha sabido que estas herramientas de software son críticas, pero nadie tenía un mapa claro de cuáles se estaban utilizando realmente en el mundo real. La información estaba dispersa, oculta dentro de las secciones de métodos de millones de artículos de investigación, mencionada a menudo de pasada sin una referencia formal. Para resolver esto, un equipo de investigadores se propuso contar y categorizar el software mencionado en la literatura de microscopía global. Escanearon 1,7 millones de artículos de investigación de texto completo publicados entre 2010 y 2025, buscando menciones de treinta paquetes de software específicos. Su objetivo era ver cómo el panorama de estas herramientas ha cambiado con el tiempo, cuáles se han convertido en el estándar y cómo los investigadores reportan su uso.
Los investigadores descubrieron que el uso de software de análisis de imágenes ha crecido mucho más rápido que el número de artículos de microscopía en sí. En 2010, solo el 12 por ciento de los artículos de microscopía mencionaban al menos una de las herramientas de análisis que estaban rastreando. Para 2025, esa cifra había aumentado al 30 por ciento. A pesar de esta explosión en el uso, el campo no se ha convertido en una mezcla caótica de cientos de herramientas diferentes. En cambio, las menciones siguen estando fuertemente concentradas en unas pocas plataformas de propósito general. Un programa, conocido como ImageJ/Fiji, domina el panorama. En 2025, se mencionaba en el 28 por ciento de todos los artículos de texto completo de microscopía, lo que representaba el 82 por ciento de todas las menciones de los paquetes de análisis que rastrearon. Esto sugiere que, si bien aparecen nuevas herramientas, la comunidad científica sigue dependiendo de un pequeño conjunto de plataformas establecidas y versátiles para la mayor parte de su trabajo rutinario.
Sin embargo, el estudio también reveló que el dominio de estas plataformas más antiguas está cambiando lentamente a medida que las herramientas especializadas ganan terreno en campos específicos. Por ejemplo, un programa llamado QuPath ha experimentado un rápido crecimiento, particularmente en el campo de la patología, donde los científicos estudian muestras de tejido para diagnosticar enfermedades. Del mismo modo, una herramienta llamada napari se menciona con frecuencia en artículos que tratan sobre microscopía electrónica, la cual utiliza haces de electrones para ver estructuras mucho más pequeñas de lo que la luz puede revelar. Los nuevos métodos basados en el aprendizaje profundo (deep learning), que permiten a las computadoras aprender a reconocer patrones como los límites celulares, también se están volviendo comunes. No obstante, incluso estos métodos avanzados se utilizan a menudo junto con las plataformas establecidas. Los investigadores encontraron que los artículos que mencionan la herramienta de aprendizaje profundo Cellpose a menudo también mencionan ImageJ/Fiji, y los artículos que usan StarDist frecuentemente lo ejecutan dentro del entorno de ImageJ. Esto indica que los científicos están integrando nuevos y poderosos algoritmos en los flujos de trabajo familiares que ya conocen, en lugar de abandonar sus herramientas antiguas por completo.
Una parte significativa del estudio se centró en qué tan bien los investigadores reportan sus métodos, un factor clave en la fiabilidad científica. El equipo descubrió que muchos artículos mencionan un paquete de software sin citar realmente el artículo que lo introdujo. Para la herramienta más popular, ImageJ/Fiji, el 86 por ciento de los artículos que la mencionaron en 2025 no incluyeron una cita a su publicación original. Esta brecha es aún mayor para las herramientas más nuevas como QuPath y Cellpose, donde la proporción de artículos que mencionan el software sin citarlo ha aumentado drásticamente. Esto significa que simplemente contar cuántas veces se cita un software en una lista de referencias subestima cuántas personas lo están utilizando realmente. Además, los investigadores auditaron las oraciones donde se mencionaba el software y encontraron que un gran número de artículos no proporcionaban detalles esenciales. En 2025, el 61 por ciento de los artículos que mencionaban ImageJ/Fiji, el 52 por ciento de los que mencionaban StarDist y el 36 por ciento de los que mencionaban Cellpose no especificaban la versión del software, la función específica utilizada o los ajustes aplicados. Sin estos detalles, es imposible que otro científico sepa exactamente cómo se realizó el análisis, lo que dificulta la reproducción de los resultados.
El estudio concluye que, si bien el número de artículos que utilizan análisis de imágenes está creciendo, el campo permanece anclado por unas pocas plataformas centrales en las que los investigadores confían por su versatilidad. El auge del aprendizaje profundo ha añadido capacidades nuevas y poderosas, pero estas se tejen a menudo en los flujos de trabajo existentes en lugar de reemplazarlos. El problema más urgente identificado no es la falta de herramientas, sino la falta de transparencia en cómo se utilizan. Los autores argumentan que, para que la ciencia sea reproducible, los investigadores deben hacer más que solo nombrar el software que usaron; deben citar los artículos originales, especificar los números de versión y describir los ajustes y parámetros. Al hacer visibles estos detalles, la comunidad científica puede asegurar que las herramientas digitales que impulsan la microscopía moderna sean tan fiables y transparentes como los propios microscopios.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.