Mapping bioimage-analysis software adoption in microscopy
이 연구는 2010년부터 2025년까지의 170만 편의 현미경 관련 논문을 분석하여 ImageJ/Fiji가 주도하고 QuPath 및 napari와 같은 도구의 특정 분야 채택이 증가하는 등 이미지 분석 소프트웨어에 대한 의존도가 높아지고 있음을 밝히는 한편, 인용 횟수가 실제 사용량을 과소평가하는 경우가 많음을 강조하며 재현성을 높이기 위해 연구자들이 소프트웨어 방법론을 명시적으로 인용하고 보고할 것을 촉구한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
현대적인 현미경은 단순히 사진을 찍는 것에 그치지 않고, 세포가 어떻게 움직이고, 분열하고, 상호작용하는지에 대한 비밀을 간직한 방대하고 다층적인 디지털 파일을 생성합니다. 그러나 가공되지 않은 이미지는 이야기의 시작일 뿐입니다. 이러한 픽셀을 생물학적 지식—세포가 얼마나 존재하는지 세고, 크기를 측정하거나, 움직임을 추적하는 것—으로 바꾸기 위해 과학자들은 데이터를 분석하는 컴퓨터 프로그램을 사용해야 합니다. 이 프로그램들은 시각적 정보를 숫자로 번역하는 도구들입니다. 어떤 도구를 사용할지 선택하는 것은 매우 중요한데, 서로 다른 프로그램은 정확히 동일한 이미지로부터 때때로 서로 다른 측정값을 만들어낼 수 있기 때문입니다. 만약 두 실험실이 동일한 생물학적 사건을 연구하면서 서로 다른 소프트웨어를 사용한다면, 그들은 세포의 크기나 세포 분열 횟수에 대해 서로 다른 결론에 도달할 수 있습니다. 이는 과학계에 하나의 과제를 던져줍니다. 만약 도구가 명확하게 이름 붙여지고 설명되지 않는다면, 다른 연구자들이 결과를 검증하기 위해 실험을 재현할 수 없게 됩니다.
수년 동안 과학계는 이러한 소프트웨어 도구들이 매우 중요하다는 것을 알고 있었지만, 실제로 어떤 도구들이 현실 세계에서 사용되고 있는지에 대한 명확한 지도는 아무도 가지고 있지 않았습니다. 정보는 수백만 편의 연구 논문 속 방법(methods) 섹션 안에 흩어져 숨겨져 있었으며, 종종 공식적인 참조 없이 지나가는 식으로 언급되곤 했습니다. 이를 해결하기 위해 한 연구팀은 현미경학의 글로벌 문헌에서 언급되는 소프트웨어를 세고 분류하는 작업을 수행했습니다. 그들은 2010년부터 2025년 사이에 발표된 170만 편의 전체 텍스트 연구 논문을 스캔하여, 30개의 특정 소프트웨어 패키지가 언급되는 것을 조사했습니다. 그들의 목표는 이러한 도구들의 지형이 시간이 흐름에 따라 어떻게 변화했는지, 어떤 것들이 표준이 되었는지, 그리고 연구자들이 그 사용을 어떻게 보고하고 있는지를 확인하는 것이었습니다.
연구진은 이미지 분석 소프트웨어의 사용이 현미경 관련 논문의 수 자체보다 훨씬 더 빠르게 성장했다는 사실을 발견했습니다. 2010년에는 현미경 관련 논문의 12%만이 그들이 추적하던 분석 도구 중 적어도 하나를 언급했습니다. 2025년에는 그 수치가 30%로 상승했습니다. 이러한 폭발적인 사용량에도 불구하고, 이 분야가 수백 개의 도구가 뒤섞인 혼란스러운 상태가 되지는 않았습니다. 대신, 언급은 몇몇 범용 플랫폼에 집중되어 있었습니다. ImageJ/Fiji라고 알려진 한 프로그램이 이 지형을 지배하고 있습니다. 2025년에 이 프로그램은 모든 현미경 전체 텍스트 논문의 28%에서 언급되었으며, 연구진이 추적한 분석 패키지 전체 언급량의 82%를 차지했습니다. 이는 새로운 도구들이 등장하고 있음에도 불구하고, 과학계가 일상적인 업무를 위해 여전히 소수의 확립되고 다재다능한 플랫폼에 의존하고 있음을 시사합니다.
그러나 이 연구는 기존의 플랫폼이 지배적인 상황에서도 특정 분야에서 전문화된 도구들이 부상함에 따라 그 주도권이 서서히 변화하고 있다는 점도 밝혀냈습니다. 예를 들어, QuPath라는 프로그램은 과학자들이 질병을 진단하기 위해 조직 샘플을 연구하는 병리학 분야에서 급격한 성장을 보였습니다. 마찬가지로, napari라는 도구는 빛보다 훨씬 작은 구조를 보기 위해 전자 빔을 사용하는 전자 현미경을 다루는 논문에서 자주 언급됩니다. 패턴(예: 세포 경계)을 인식하는 법을 컴퓨터가 학습할 수 있게 해주는 딥러닝 기반의 새로운 방법들도 흔해지고 있습니다. 그럼에도 불구하고, 이러한 고급 방법들은 종종 기존의 확립된 플랫폼과 함께 사용됩니다. 연구진은 딥러닝 도구인 Cellpose를 언급한 논문들이 ImageJ/Fiji를 함께 언급하는 경우가 많으며, StarDist를 사용하는 논문들은 자주 Image-J 환경 내에서 이를 실행한다는 것을 발견했습니다. 이는 과학자들이 기존의 도구를 완전히 버리는 대신, 익숙한 워크플로 안에 강력한 새로운 알고리즘을 통합하고 있음을 나타냅니다.
연구의 상당 부분은 연구자들이 자신의 방법을 얼마나 잘 보고하고 있는지, 즉 과학적 신뢰성의 핵심 요소에 초점을 맞췄습니다. 연구팀은 많은 논문이 해당 소프트웨어를 언급하면서도 그것을 소개한 논문을 실제로 인용하지 않는다는 사실을 발견했습니다. 가장 인기 있는 도구인 ImageJ/Fiji의 경우, 2025년에 이를 언급한 논문의 86%가 원래의 출판물에 대한 인용을 포함하지 않았습니다. 이러한 격차는 QuPath나 Cellpose와 같은 새로운 도구에서 더욱 크게 나타나는데, 소프트웨어를 인용하지 않고 언급만 하는 논문의 비율이 급격히 상승했기 때문입니다. 이는 단순히 참고 문헌 목록에 소프트웨어가 얼마나 인용되었는지만 세는 것으로는 실제로 얼마나 많은 사람이 그 소프트웨어를 사용하는지를 과소평가하게 된다는 것을 의미합니다. 나아가, 연구진은 소프트웨어가 언급된 문장들을 감사한 결과, 많은 논문이 필수적인 세부 사항을 제공하지 못했다는 것을 발견했습니다. 2025년에 ImageJ/Fiji를 언급한 논문의 61%, StarDist를 언급한 논문의 52%, 그리고 Cellpose를 언급한 논문의 36%가 소프트웨어의 버전, 사용된 특정 기능, 또는 적용된 설정(settings)을 명시하지 않았습니다. 이러한 세부 사항이 없다면 다른 과학자가 분석이 정확히 어떻게 수행되었는지 알 수 없으므로, 결과를 재현하는 것이 불가능해집니다.
이 연구는 이미지 분석 소프트웨어를 사용하는 논문의 수는 증가하고 있지만, 이 분야가 연구자들이 그 다재다능함을 신뢰하는 몇몇 핵심 플랫폼에 의해 고정되어 있다고 결론짓습니다. 딥러닝의 부상은 강력한 새로운 역량을 더해주었지만, 이는 기존의 워크플로를 대체하기보다는 그 안에 엮여 들어가는 형태를 띠고 있습니다. 연구진이 식별한 가장 시급한 문제는 도구의 부족이 아니라, 그 도구가 어떻게 사용되는지에 대한 투명성의 부족입니다. 저자들은 과학이 재현성을 유지하기 위해서 연구자들이 단순히 사용한 소프트웨어의 이름을 밝히는 것을 넘어, 원본 논문을 인용하고, 버전 번호를 명시하며, 설정과 매개변수를 기술해야 한다고 주장합니다. 이러한 세부 사항을 가시화함으로써, 과학계는 현대 현미경학을 이끄는 디지털 도구들이 현미경 그 자체만큼이나 신뢰할 수 있고 투명하도록 보장할 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.