Un prestigioso concurso de microscopía se ha convertido en un inesperado punto de fricción en un debate que va mucho más allá de un solo video. La pregunta en su centro es engañosamente simple: cuando las herramientas de IA se aplican a imágenes científicas, ¿dónde termina la mejora y dónde empieza la fabricación?
Un video ganador que generó más preguntas que respuestas
Nikon Instruments organiza un concurso anual llamado Small World In Motion, que celebra los videos capturados a través de microscopios ópticos. Este año, el premio fue para Ning Xu, un ingeniero óptico de la Universidad Nacional de Singapur. Su inscripción documentó el movimiento de los cilios, las estructuras en forma de cabello que recubren partes de los pulmones, en tejido extraído de un niño con discinesia ciliar primaria, un trastorno genético raro que causa infecciones crónicas en los pulmones, los senos paranasales y los oídos.
El video es visualmente impactante. Debajo de los cilios, aparecen estructuras rojas, púrpuras y azules. Eso es precisamente lo que atrajo escrutinio.
Días después del anuncio del 15 de septiembre, expertos en microscopía comenzaron a expresar preocupaciones en las redes sociales. Edward Phelps, un investigador de bioingeniería en la Universidad de Florida en Gainesville, escribió en LinkedIn que las estructuras púrpuras se parecen a las mitocondrias, pero que las mitocondrias extracelulares de ese tamaño no ocurren en la biología. Señaló que las estructuras azules parecen núcleos pero no se comportan como núcleos, y que la identidad de la tinción roja no estaba clara. La preocupación, expresada claramente: estas estructuras podrían no existir en la muestra biológica en absoluto.
El 22 de septiembre, Nikon Instruments actualizó su publicación en el blog sobre la inscripción para reconocer que Xu había usado un modelo de IA “no supervisado” para ayudar con el “postprocesamiento”.
Lo que dijo el creador, y lo que sigue sin resolverse
Xu no respondió a la solicitud de comentarios de Nature sobre las preguntas de precisión biológica. Sí escribió en LinkedIn que la IA no se usó para generar el material experimental, los cilios mismos o su movimiento. Según su relato, la IA se aplicó después del hecho a datos en escala de grises reconstruidos, para distinguir y colorear estructuras con morfología similar. El objetivo, escribió, era hacer que la presentación final fuera “visualmente atractiva además de científicamente interesante”, dado que el video se preparó para un concurso que celebra la belleza de la microscopía.
Esa explicación traza una línea entre los datos subyacentes y la representación visual. Pero no cierra por completo la controversia. Melanie White, una bióloga del desarrollo en la Universidad de Queensland en Brisbane, Australia, señaló que sigue sin estar claro cuán fielmente representa el video lo que el microscopio capturó realmente. La herramienta de IA, señaló, puede haber introducido estructuras biológicas que no existen en los datos originales.
Este es el quid del problema. El postprocesamiento no es nuevo en la imagen científica. Ajustar el contraste, eliminar el ruido y colorear datos en escala de grises son prácticas estándar. Lo que cambia cuando un modelo de IA maneja ese paso es el grado de libertad interpretativa que ejerce el sistema. Un modelo de IA no supervisado, por definición, no está guiado por ejemplos etiquetados de cómo deberían verse las estructuras. Toma sus propias decisiones sobre cómo segmentar y representar lo que ve en los datos. Esas decisiones pueden ser visualmente plausibles sin ser biológicamente precisas.
Por qué las imágenes científicas no son ilustraciones
Esto es lo que la mayor parte de la cobertura de la historia se pierde. La controversia no trata realmente sobre un concurso, ni siquiera sobre un video. Trata sobre un principio fundamental de la práctica científica.
Markus Sauer, que estudia la microscopía de súper resolución en la Universidad de Würzburg en Alemania, expresó la distinción claramente: usar herramientas de IA para visualizar datos experimental no es automáticamente un problema. Se convierte en uno cuando las imágenes generadas por IA malinterpretan, exageran o alteran los hallazgos experimentales. La línea entre esos dos resultados no siempre es obvia, y esa ambigüedad es el verdadero problema.
El enfoque de White vale la pena tenerlo en cuenta: las imágenes científicas son datos. No son interpretaciones artísticas de datos, y no son ilustraciones diseñadas para comunicar un concepto. Son la evidencia misma. Cuando un lector mira una imagen de microscopía en un artículo o una inscripción de concurso, la suposición es que lo que aparece en la pantalla corresponde a algo que existe en la muestra física. Si un modelo de IA ha representado estructuras que el microscopio nunca detectó, esa suposición se desmorona.
Las implicaciones se extienden mucho más allá de los concursos. Las imágenes de microscopía aparecen en investigaciones revisadas por pares, en contextos clínicos y en los conjuntos de datos de entrenamiento utilizados para construir futuros modelos de IA. Si el postprocesamiento de IA introduce características biológicamente inverosímiles que pasan desapercibidas, esas características pueden propagarse a través del registro científico.
El campo aún no tiene un estándar claro y compartido sobre qué postprocesamiento asistido por IA es aceptable en la imagen científica, o cómo debe divulgarse. Este caso ha hecho visible esa brecha.
En resumen
Una herramienta de IA aplicada a un video de microscopía ganador de un premio puede haber representado estructuras biológicas que no existen en los datos subyacentes. El creador dice que la IA se usó solo para el postprocesamiento, no para generar el material principal. Los expertos discrepan sobre si el resultado representa fielmente la medición original. El problema más profundo es que las imágenes científicas funcionan como datos, no como decoración, y el campo carece de estándares acordados sobre cómo se debe usar y divulgar el postprocesamiento de IA en ese contexto.
Basado en información de Nature: Machine Learning.