Mapping bioimage-analysis software adoption in microscopy
Cette étude analyse 1,7 million d'articles de microscopie de 2010 à 2025 pour révéler une dépendance croissante aux logiciels d'analyse d'images — menée par ImageJ/Fiji avec une adoption de plus en plus spécifique au domaine d'outils tels que QuPath et napari — tout en soulignant que les nombres de citations sous-estiment souvent l'utilisation réelle et en exhortant les chercheurs à citer et rapporter explicitement leurs méthodes logicielles afin d'améliorer la reproductibilité.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les microscopes modernes ne se contentent pas de prendre des photos ; ils génèrent de vastes fichiers numériques multicouches qui détiennent les secrets de la façon dont les cellules se déplacent, se divisent et interagissent. Cependant, une image brute n'est que le début de l'histoire. Pour transformer ces pixels en connaissances biologiques — compter le nombre de cellules présentes, mesurer leur taille ou suivre leurs mouvements — les scientifiques doivent utiliser des programmes informatiques pour analyser les données. Ces programmes sont les outils qui traduisent l'information visuelle en chiffres. Le choix de l'outil à utiliser importe énormément car différents programmes peuvent parfois produire des mesures différentes à partir d'une même image. Si deux laboratoires étudient le même événement biologique mais utilisent des logiciels différents, ils pourraient parvenir à des conclusions divergentes sur la taille d'une cellule ou sur le nombre de fois où elle s'est divisée. Cela crée un défi pour la science : si les outils ne sont pas clairement nommés et décrits, d'autres chercheurs ne peuvent pas reproduire l'expérience pour vérifier les résultats.
Pendant des années, la communauté scientifique a su que ces outils logiciels étaient critiques, pourtant personne n'avait de carte claire de ceux qui étaient réellement utilisés dans le monde réel. L'information était éparpillée, cachée dans les sections de méthodologie de millions d'articles de recherche, souvent mentionnée de façon superficielle sans référence formelle. Pour résoudre ce problème, une équipe de chercheurs s'est donné pour mission de compter et de catégoriser les logiciels mentionnés dans la littérature mondiale de la microscopie. Ils ont scanné 1,7 million d'articles de recherche complets publiés entre 2010 et 2025, recherchant les mentions de trente progiciels spécifiques. Leur objectif était de voir comment le paysage de ces outils a évolué au fil du temps, lesquels sont devenus des standards, et comment les chercheurs signalent leur utilisation.
Les chercheurs ont découvert que l'utilisation de logiciels d'analyse d'images a progressé beaucoup plus rapidement que le nombre d'articles de microscopie eux-mêmes. En 2010, seulement 12 % des articles de microscopie mentionnaient au moins un des outils d'analyse qu'ils suivaient. En 2025, ce chiffre était passé à 30 %. Malgré cette explosion d'utilisation, le domaine ne s'est pas transformé en un mélange chaotique de centaines d'outils différents. Au contraire, les mentions restent fortement concentrées sur quelques plateformes polyvalentes. Un programme, connu sous le nom d'ImageJ/Fiji, domine le paysage. En 2025, il était mentionné dans 28 % de tous les articles de microscopie complets, représentant 82 % de toutes les mentions des progiciels d'analyse qu'ils suivaient. Cela suggère que, bien que de nouveaux outils apparaissent, la communauté scientifique s'appuie toujours sur un petit ensemble de plateformes établies et polyvalentes pour la majorité de ses travaux de routine.
Cependant, l'étude a également révélé que la dominance de ces anciennes plateformes est lentement remise en question par l'ascension d'outils spécialisés dans des domaines spécifiques. Par exemple, un programme appelé QuPath a connu une croissance rapide, particulièrement dans le domaine de la pathologie, où les scientifiques étudient des échantillons de tissus pour diagnostiquer des maladies. De même, un outil nommé napari est fréquemment mentionné dans des articles traitant de la microscopie électronique, qui utilise des faisceaux d'électrons pour observer des structures bien plus petites que ce que la lumière peut révéler. Des méthodes plus récentes basées sur l'apprentissage profond (deep learning), qui permettent aux ordinateurs d'apprendre à reconnaître des motifs comme les limites cellulaires, deviennent également courantes. Pourtant, même ces méthodes avancées sont souvent utilisées aux côtés des plateformes établies. Les chercheurs ont constaté que les articles mentionnant l'outil de deep learning Cellpose mentionnent souvent aussi ImageJ/Fiji, et que les articles utilisant StarDist l'exécutent fréquemment à l'intérieur de l'environnement ImageJ. Cela indique que les scientifiques intègrent de nouveaux algorithmes puissants dans les flux de travail familiers qu'ils connaissent déjà, plutôt que d'abandonner totalement leurs anciens outils.
Une partie importante de l'étude s'est concentrée sur la qualité avec laquelle les chercheurs rapportent leurs méthodes, un facteur clé de la fiabilité scientifique. L'équipe a découvert que de nombreux articles mentionnent un progiciel sans pour autant citer l'article qui l'a introduit. Pour l'outil le plus populaire, ImageJ/Fiji, 86 % des articles qui l'ont mentionné en 2025 n'incluaient pas de citation à sa publication originale. Cet écart est encore plus marqué pour les outils plus récents comme QuPath et Cellpose, où la part d'articles mentionnant le logiciel sans le citer a augmenté de façon marquée. Cela signifie que le simple fait de compter combien de fois un logiciel est cité dans une liste de références sous-estime le nombre de personnes qui l'utilisent réellement. De plus, les chercheurs ont audité les phrases où le logiciel était mentionné et ont constaté qu'un grand nombre d'articles ne fournissaient pas les détails essentiels. En 2025, 61 % des articles mentionnant ImageJ/Fiji, 52 % de ceux mentionnant StarDist et 36 % de ceux mentionnant Cellpose n'ont pas précisé la version du logiciel, la fonction spécifique utilisée ou les paramètres appliqués. Sans ces détails, il est impossible pour un autre scientifique de savoir exactement comment l'analyse a été effectuée, ce qui rend difficile la reproduction des résultats.
L'étude conclut que, bien que le nombre d'articles utilisant l'analyse d'images soit en croissance, le domaine reste ancré par quelques plateformes centrales auxquelles les chercheurs font confiance pour leur polyvalence. L'essor du deep learning a ajouté de nouvelles capacités puissantes, mais celles-ci sont souvent tissées dans les flux de travail existants plutôt que de les remplacer. Le problème le plus pressant identifié n'est pas le manque d'outils, mais le manque de transparence dans leur utilisation. Les auteurs soutiennent que, pour que la science reste reproductible, les chercheurs doivent faire plus que simplement nommer le logiciel utilisé ; ils doivent citer les articles originaux, préciser les numéros de version et décrire les réglages et les paramètres. En rendant ces détails visibles, la communauté scientifique peut garantir que les outils numériques qui pilotent la microscopie moderne sont aussi fiables et transparents que les microscopes eux-mêmes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.