Mapping bioimage-analysis software adoption in microscopy
Deze studie analyseert 1,7 miljoen microscopiepapers van 2010 tot 2025 om een groeiende afhankelijkheid van beeldanalysesoftware te onthullen — geleid door ImageJ/Fiji met een toenemende vakspecifieke adoptie van tools zoals QuPath en napari — terwijl zij benadrukt dat citatiesterren vaak de werkelijke het gebruik onderschatten en onderzoekers oproept om hun softwaremethoden expliciet te citeren en te rapporteren om de reproduceerbaarheid te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Moderne microscopen maken niet alleen foto's; ze genereren enorme, gelaagde digitale bestanden die de geheimen bevatten van hoe cellen bewegen, delen en interageren. Een ruw beeld is echter slechts het begin van het verhaal. Om die pixels om te zetten in biologische kennis — het tellen van hoeveel cellen aanwezig zijn, het meten van hun grootte, of het volgen van hun beweging — moeten wetenschappers computerprogramma's gebruiken om de gegevens te analyseren. Deze programma's zijn de instrumenten die visuele informatie vertalen naar getallen. De keuze welke tool wordt gebruikt, doet er diep toe, omdat verschillende programma's soms verschillende metingen kunnen produceren van exact hetzelfde beeld. Als twee laboratoria dezelfde biologische gebeurtenis bestuderen maar verschillende software gebruiken, kunnen zij tot verschillende conclusies komen over de grootte van een cel of het aantal keren dat deze is gedeeld. Dit creëert een uitdaging voor de wetenschap: als de tools niet duidelijk worden benoemd en beschreven, kunnen andere onderzoekers het experiment niet herhalen om de resultaten te verifiëren.
Jarenlang heeft de wetenschappelijke gemeenschap geweten dat deze softwaretools cruciaal zijn, maar niemand had een duidelijke kaart van welke ervan daadwerkelijk in de echte wereld worden gebruikt. De informatie was verspreid, verborgen in de methodensecties van miljoenen onderzoeksartikelen, vaak zijdelings vermeld zonder een formele referentie. Om dit op te lossen, zetten een team van onderzoekers zich scharpe om de software te tellen en te categoriseren die in de wereldwijde literatuur van de microscopie wordt genoemd. Ze scanten 1,7 miljoen volledige wetenschappelijke artikelen gepubliceerd tussen 2010 en 2025, op zoek naar vermeldingen van dertig specifieke softwarepakketten. Hun doel was om te zien hoe het landschap van deze tools in de loop van de tijd is veranderd, welke tot de standaard zijn geworden, en hoe onderzoekers het gebruik ervan rapporteren.
De onderzoekers ontdekten dat het gebruik van beeldanalyse-software veel sneller is gegroeid dan het aantal artikelen over microscopie zelf. In 2010 noemde slechts 12 procent van de microscopie-artikelen ten minste één van de door hen gevolgde analyse-instrumenten. Tegen 2025 was dat aantal gestegen naar 30 procent. Ondanks deze explosie in gebruik, is het veld geen chaotische mix van honderden verschillende tools geworden. In plaats daarvan blijven de vermeldingen sterk geconcentreerd op een paar algemene platforms. Eén programma, bekend als ImageJ/Fiji, domineert het landschap. In 2025 werd het in 28 procent van alle volledige microscopie-artikelen genoemd, wat 82 procent van alle vermeldingen van de door hen gevolgde analysepakketten besloeg. Dit suggereert dat hoewel er nieuwe tools verschijnen, de wetenschappelijke gemeenschap nog steeds vertrouwt op een kleine set gevestigde, veelzijdige platforms voor het merendeel van haar routinematige werk.
De dominantie van deze oudere platforms verschuift echter langzaam naarmate gespecialiseerde tools terrein winnen in specifieke gebieden. Zo heeft een programma genaamd QuPath een snelle groei doorgemaakt, met name in het gebied van de pathologie, waar wetenschappers weefselmonsters bestuderen om ziekten te diagnosticeren. Op dezelfde manier wordt een tool genaamd napari regelmatig genoemd in artikelen die gaan over elektronenmicroscopie, waarbij bundels elektronen worden gebruikt om structuren te zien die veel kleiner zijn dan het licht kan onthullen. Nieuwere methoden gebaseerd op deep learning, die computers de mogelijkheid geven om patronen zoals celgrenzen te leren herkennen, worden ook gebruikelijker. Toch worden zelfs deze geavanceerde methoden vaak gebruikt naast de gevestigde platforms. De onderzoekers vonden dat artikelen die de deep-learning tool Cellpose vermelden, vaak ook ImageJ/Fiji vermelden, en dat artikelen die StarDist gebruiken, deze vaak binnen de ImageJ-omgeving draaien. Dit geeft aan dat wetenschappers krachtige nieuwe algoritmen integreren in de bekende workflows die ze al kennen, in plaats van hun oude tools volledig te verlaten.
Een aanzienlijk deel van de studie richtte zich op de vraag hoe goed onderzoekers hun methoden rapporteren, een cruciale factor voor wetenschappelijke betrouwbaarheid. Het team ontdekte dat veel artikelen een softwarepakket noemen zonder daadwerkelijk het artikel te citeren dat het introduceerde. Voor de populairste tool, ImageJ/Fiji, bevatte 86 procent van de artikelen die het in 2025 vermelden geen citatie naar de oorspronkelijke publicatie. Deze kloof is zelfs groter voor nieuwere tools zoals QuPath en Cellpose, waar het aandeel artikelen dat de software noemt zonder deze te citeren scherp is gestegen. Dit betekent dat het simpelweg tellen van hoe vaak een software wordt geciteerd in een referentielijst het werkelijke gebruik ervan onderschat. Bovendien controleerden de onderzoekers de zinnen waarin de software werd genoemd en stelden zij vast dat een groot aantal artikelen essentieel detail miste. In 2025 specificeerde 61 procent van de artikelen die ImageJ/Fiji noemden, 52 procent van de artikelen die StarDist noemden, en 36 procent van de artikelen die Cellpose noemden, niet de versie van de software, de specifieke functie die werd gebruikt, of de toegepaste instellingen. Zonder deze details is het onmogelijk voor een andere wetenschapper om precies te weten hoe de analyse werd uitgevoerd, wat het moeilijk maakt om de resultaten te reproduceren.
De studie concludeert dat hoewel het aantal artikelen dat beeldanalyse-software gebruikt groeit, het veld verankerd blijft door een paar kernplatforms waar onderzoekers vertrouwen op vanwege hun veelzijdigheid. De opkomst van deep learning heeft krachtige nieuwe mogelijkheden toegevoegd, maar deze worden vaak in bestaande workflows geweven in plaats van ze te vervangen. Het meest urgente probleem dat werd geïdentificeerd, is niet het gebrek aan tools, maar het gebrek aan transparantie over hoe ze worden gebruikt. De auteurs betogen dat, om de wetenschap reproduceerbaar te houden, onderzoekers meer moeten doen dan alleen de software benoemen die ze hebben gebruikt; ze moeten ook de originele artikelen citeren, de versienummers specificeren en de instellingen en parameters beschrijven. Door deze details zichtbaar te maken, kunnen zij ervoor zorgen dat de digitale tools die de moderne microscopie aandrijven, even betrouwbaar en transparant zijn als de microscopen zelf.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.