Context-aware AI-assisted screening for image duplication in biomedical publications
Deze studie presenteert en valideert een contextbewust AI-ondersteund screeningssysteem dat de efficiëntie en nauwkeurigheid van het detecteren van beeldduplicatie in biomedische publicaties aanzienlijk verbetert door visuele gelijkenis te integreren met contextuele risicobeoordeling om fout-positieven te verminderen terwijl een hoge sensitiviteit behouden blijft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van het biomedisch onderzoek is een foto vaak meer dan alleen een plaatje; het is een stuk bewijsmateriaal. Wanneer wetenschappers bestuderen hoe cellen zich gedragen of hoe weefsels veranderen onder een microscoop, leggen ze deze momenten vast als afbeeldingen om hun bevindingen te bewijzen. Deze foto's vormen de basis van vertrouwen in de medische wetenschap. Er ontstaat echter een ernstig probleem wanneer dezelfde afbeelding wordt gebruikt om twee verschillende experimenten te representeren zonder een duidelijke uitleg. Dit staat bekend als beeldduplicatie. Het kan gebeuren door een ongeluk, wanneer een onderzoeker per abuis een foto hergebruikt, of opzettelijk, om data er robuuster uit te laten zien dan ze is. Omdat wetenschappelijke artikelen vaak tientallen afbeeldingen bevatten, die soms gerangschikt zijn in complexe rasters met veel kleine panelen, is het met het blote oog extreem moeilijk om duplicaten op te sporen. Een enkele afbeelding kan worden bijgesneden, gedraaid of van kleur aangepast, waardoor het er anders uitziet terwijl het toch dezelfde is. Jarenlang hebben redacteuren en beoordelaars handmatig door duizenden van deze afbeeldingen moeten zoeken, een trage en uitputtende taak die subtiele fouten vaak mist.
Om dit probleem aan te pakken, heeft een team van onderzoekers van de Chinese Academy of Medical Sciences en de Peking Union Medical College een nieuwe manier ontwikkeld om kunstmatige intelligentie te gebruiken om deze problemen op te sporen. Ze bouwden geen machine die simpelweg naar identieke plaatjes zoekt, omdat die aanpak te veel valse alarmen genereert. In plaats daarvan creëerden ze een systeem dat werkt als een zorgvuldige assistent, een systeem dat niet alleen lijkt op elkaar kijkende afbeeldingen vindt, maar ook de omliggende tekst leest om te begrijpen wat die afbeeldingen daadwerkelijk zouden moeten representeren. De onderzoekers testten hun systeem op een set van 79 wetenschappelijke artikelen die al waren ingetrokken, of teruggenomen, vanwege bevestigde problemen met beeldduplicatie. Door deze bekende problematische gevallen in hun systeem te voeren, konden ze zien of de AI de fouten correct zou identificeren en, even belangrijk nog, of het het verschil kon zien tussen een echte fout en een legitieme gelijkenis, zoals twee foto's van hetzelfde experiment genomen met verschillende instellingen.
Het systeem werkt in twee hoofdfasen. Eerst scant het het volledige artikel om eventuele paren afbeeldingen te vinden die er visueel op lijken. In deze eerste ronde vond de computer 534 paren afbeeldingen die op elkaar leken. Niet alle paren waren echter fouten. Sommige waren legitiem, zoals een enkele foto en een ingezoomde versie van diezelfde foto, of twee verschillende gekleurde kanalen van dezelfde microscoopslide. Als het systeem hier zou stoppen, zouden redacteuren nog steeds al deze 534 paren moeten controleren, wat niet veel tijd zou besparen. De ware kracht van de nieuwe methode komt in de tweede stap, waarbij de AI de context leest om het artikel te begrijpen. Het leest de figuurteksten, de hoofdtekst en zelfs de labels binnen de afbeeldingen om te bepalen wat elke afbeelding laat zien. Het stelt vragen zoals: Representeren deze twee afbeeldingen dezelfde groep dieren? Tonen ze hetzelfde tijdstip in een experiment? Of beweren ze verschillende dingen te tonen die toevallig op elkaar lijken?
Toen de onderzoekers deze tweede stap van het lezen van de context toepasten, veranderden de resultaten drastisch. Het systeem hield alle 327 bekende slechte beeldparen correct in de categorie "hoog risico", wat betekent dat het geen enkele van de bevestigde fouten die het in de eerste stap had gevonden, heeft gemist. Belangrijker nog, het identificeerde succesvol 152 van de legitieme, gelijkenis vertonende paren als "laag risico". Dit betekende dat het systeem redacteuren kon laten weten dat deze specifieke afbeeldingen waarschijnlijk in orde waren en geen diepgaand onderzoek vereisten. Als gevolg hiervan daalde het totale aantal beeldparen dat een menselijke redacteur nauwlettend moest bekijken van 534 naar 382. Deze vermindering van bijna 30 procent betekent dat redacteuren hun beperkte tijd kunnen besteden aan de zaken die er echt toe doen. Het systeem gokte niet alleen; het leverde voor elke beslissing een schriftelijk rapport met vermelding van precies welke delen van de tekst de conclusie ondersteunden, waardoor een mens de redenering kon verifiëren.
De studie toonde aan dat de AI in ongeveer 89 procent van de gevallen overeenstemming vertoonde met menselijke experts bij de classificatie van deze beeldparen. In de gevallen waar de AI en de mensen van mening verschilden, kwamen de fouten meestal voort uit het feit dat de tekst in het artikel onduidelijk was of de lay-out van de afbeelding verwarrend was, en niet omdat de AI fundamenteel gebrekkig was. Bijvoorbeeld, als een liniaal of een technische markering op een afbeelding in twee verschillende plaatjes op elkaar leek, kon het systeem dit als verdacht markeren, wat een veilige keuze is omdat het beter is om een paar extra afbeeldingen te controleren dan een echt probleem te missen. De onderzoekers benadrukten dat dit hulpmiddel is ontworpen om menselijke besluitvorming te ondersteunen, niet om deze te vervangen. Het verklaart een artikel niet op zichzelf als frauduleus; het markeert eerder de meest verdachte gebieden en biedt het bewijs dat een menselijke redacteur nodig heeft om de definitieve beslissing te nemen.
Deze aanpak vertegenwoordigt een significante verschuiving in de manier waarop wetenschappelijke integriteit wordt gewaarborgd. In plaats van uitsluitend te vertrouwen op visuele matching, wat vaak in de war wordt gebracht door legitieme gelijkenissen, combineert de nieuwe methode visuele detectie met een diep begrip van het wetenschappelijke verhaal dat wordt verteld. Door de artikelen lokaal op beveiligde computers te verwerken, beschermt het systeem ook de privacy van ongepubliceerd onderzoek, waardoor wordt gewaarborgd dat gevoelige gegevens de controle van de uitgever niet verlaten. Hoewel de test werd uitgevoerd op artikelen die al bekend stonden om problemen, geloven de onderzoekers dat deze methode uitgevers zal helpen fouten eerder te ontdekken, voordat ze worden gepubliceerd. Het doel is niet om een perfecte, geautomatiseerde rechter te creëren, maar om menselijke beoordelaars een krachtig hulpmiddel te geven dat hen helpt het bos door de bomen te zien, zodat de afbeeldingen die onze medische kennis ondersteunen even betrouwbaar zijn als de wetenschap die erachter ligt.
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.