Mapping bioimage-analysis software adoption in microscopy
Este estudo analisa 1,7 milhão de artigos de microscopia de 2010 a 2025 para revelar uma crescente dependência de softwares de análise de imagem — liderada pelo ImageJ/Fiji com o aumento da adoção de ferramentas específicas do campo como QuPath e napari — ao mesmo tempo em que destaca que as contagens de citações frequentemente subestimam o uso real e urge os pesquisadores a citar e relatar explicitamente seus métodos de software para melhorar a reprodutibilidade.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Os microscópios modernos não apenas tiram fotos; eles geram arquivos digitais vastos e multicamadas que guardam os segredos de como as células se movem, se dividem e interagem. No entanto, uma imagem bruta é apenas o começo da história. Para transformar esses pixels em conhecimento biológico — contar quantas células estão presentes, medir seu tamanho ou rastrear seu movimento — os cientistas devem usar programas de computador para analisar os dados. Esses programas são as ferramentas que traduzem a informação visual em números. A escolha de qual ferramenta usar importa profundamente porque diferentes programas podem, às vezes, produzir medições diferentes a partir da exata mesma imagem. Se dois laboratórios estudarem o mesmo evento biológico, mas usarem softwares diferentes, eles podem chegar a conclusões diferentes sobre o tamanho de uma célula ou o número de vezes que ela se dividiu. Isso cria um desafio para a ciência: se as ferramentas não forem claramente nomeadas e descritas, outros pesquisadores não poderão repetir o experimento para verificar os resultados.
Por anos, a comunidade científica soube que essas ferramentas de software eram críticas, mas ninguém tinha um mapa claro de quais estavam sendo realmente utilizadas no mundo real. A informação estava espalhada, escondida dentro das seções de métodos de milhões de artigos de pesquisa, muitas vezes mencionada de passagem, sem uma referência formal. Para resolver isso, uma equipe de pesquisadores partiu para contar e categorizar o software mencionado na literatura global de microscopia. Eles escanearam 1,7 milhão de artigos de pesquisa de texto completo publicados entre 2010 e 2025, procurando por menções a trinta pacotes de software específicos. O objetivo era ver como o cenário dessas ferramentas mudou ao longo do tempo, quais se tornaram o padrão e como os pesquisadores estão relatando seu uso.
Os pesquisadores descobriram que o uso de software de análise de imagem cresceu muito mais rápido do que o próprio número de artigos de microscopia. Em 2010, apenas 12 por cento dos artigos de microscopia mencionavam pelo menos uma das ferramentas de análise que eles estavam rastreando. Em 2025, esse número havia subido para 30 por cento. Apesar dessa explosão no uso, o campo não se tornou uma mistura caótica de centenas de ferramentas diferentes. Em vez disso, as menções permanecem fortemente concentradas em algumas plataformas de uso geral. Um programa, conhecido como ImageJ/Fiji, domina o cenário. Em 2025, ele foi mencionado em 28 por cento de todos os artigos de texto completo de microscopia, representando 82 por cento de todas as menções aos pacotes de análise que eles rastrearam. Isso sugere que, embora novas ferramentas estejam aparecendo, a comunidade científica ainda depende de um pequeno conjunto de plataformas estabelecidas e versáteis para a maior parte de seu trabalho rotineiro.
No entanto, o estudo também revelou que a dominância dessas plataformas mais antigas está mudando lentamente à medida que ferramentas especializadas ganham terreno em campos específicos. Por exemplo, um programa chamado QuPath teve um crescimento rápido, particularmente no campo da patologia, onde cientistas estudam amostras de tecido para diagnosticar doenças. Da mesma forma, uma ferramenta chamada napari é frequentemente mencionada em artigos que lidam com microscopia eletrônica, que utiliza feixes de elétrons para ver estruturas muito menores do que a luz pode revelar. Métodos mais novos baseados em aprendizado profundo (deep learning), que permitem que computadores aprendam a reconhecer padrões como limites celulares, também estão se tornando comuns. No entanto, mesmo esses métodos avançados são frequentemente usados ao lado das plataformas estabelecidas. Os pesquisadores descobriram que artigos que mencionam a ferramenta de aprendizado profundo Cellpose frequentemente também mencionam o ImageJ/Fiji, e artigos que usam o StarDist frequentemente o executam dentro do ambiente ImageJ. Isso indica que os cientistas estão integrando novos e poderosos algoritmos em seus fluxos de trabalho familiares, em vez de abandonar totalmente suas ferramentas antigas.
Uma parte significativa do estudo focou em quão bem os pesquisadores estão relatando seus métodos, um fator fundamental para a confiabilidade científica. A equipe descobriu que muitos artigos mencionam um pacote de software sem realmente citar o artigo que o introduziu. Para a ferramenta mais popular, o ImageJ/Fiji, 86 por cento dos artigos que o mencionaram em 2025 não incluíram uma citação à sua publicação original. Essa lacuna é ainda maior para ferramentas mais novas como o QuPath e o Cellpose, onde a proporção de artigos que mencionam o software sem citá-lo aumentou drasticamente. Isso significa que simplesmente contar quantas vezes um software é citado em uma lista de referências subestima quantos indivíduos estão realmente usando-o. Além disso, os pesquisadores auditaram as frases onde o software era mencionado e descobriram que um grande número de artigos falhou em fornecer detalhes essenciais. Em 2025, 61 por cento dos artigos que mencionavam o ImageJ/Fiji, 52 por cento daqueles que mencionavam o StarDist e 36 por cento daqueles que mencionavam o Cellpose não especificaram a versão do software, a função específica utilizada ou as configurações aplicadas. Sem esses detalhes, é impossível para outro cientista saber exatamente como a análise foi realizada, tornando difícil a reprodução dos resultados.
O estudo conclui que, embora o número de artigos usando análise de imagem esteja crescendo, o campo permanece ancorado por algumas plataformas centrais que os pesquisadores confiam por sua versatilidade. O surgimento do aprendizado profundo adicionou novas capacidades poderosas, mas estas são frequentemente tecidas nos fluxos de trabalho existentes, em vez de substituí-los. O problema mais urgente identificado não é a falta de ferramentas, mas a falta de transparência em como elas são usadas. Os autores argumentam que, para que a ciência permaneça reprodutível, os pesquisadores devem fazer mais do que apenas nomear o software que usaram; eles devem citar os artigos originais, especificar os números das versões e descrever as configurações e parâmetros. Ao tornar esses detalhes visíveis, a comunidade científica pode garantir que as ferramentas digitais que impulsionam a microscopia moderna sejam tão confiáveis e transparentes quanto os próprios microscópios.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.