Un concours de microscopie prestigieux est devenu le point de friction inattendu d’un débat qui dépasse largement le cadre d’une simple vidéo. La question au cœur de ce débat est faussement simple : lorsque des outils d’IA sont appliqués à des images scientifiques, où s’arrête l’amélioration et où commence la fabrication ?
Une vidéo gagnante qui soulève plus de questions qu’elle n’apporte de réponses
Nikon Instruments organise un concours annuel appelé Small World en Motion, qui met à l’honneur des vidéos capturées à travers des microscopes optiques. Cette année, le prix a été attribué à Ning Xu, ingénieur opticien à l’Université nationale de Singapour. Son travail documentait le mouvement des cils, ces structures semblables à des poils qui tapissent certaines parties des poumons, prélevés sur l’tissu d’un enfant atteint de dyskinésie ciliaire primaire, une maladie génétique rare qui provoque des infections chroniques des poumons, des sinus et des oreilles.
La vidéo est visuellement saisissante. En dessous des cils, des structures rouges, violettes et bleues apparaissent. C’est précisément ce qui a attiré l’attention.
Quelques jours après l’annonce du 15 septembre, des experts en microscopie ont commencé à exprimer leurs inquiétudes sur les réseaux sociaux. Edward Phelps, chercheur en bio-ingénierie à l’Université de Floride à Gainesville, a écrit sur LinkedIn que les structures violettes ressemblent à des mitochondries, mais que des mitochondries extracellulaires de cette taille n’existent pas en biologie. Il a noté que les structures bleues ressemblent à des noyaux mais ne se comportent pas comme des noyaux, et que l’identité de la coloration rouge restait incertaine. L’inquiétude, exprimée clairement : ces structures n’existent peut-être pas du tout dans l’échantillon biologique.
Le 22 septembre, Nikon Instruments a mis à jour son article de blog concernant la candidature pour reconnaître que Xu avait utilisé un modèle d’IA non supervisé pour l’aider dans le post-traitement.
Ce qu’a déclaré le créateur, et ce qui reste en suspens
Xu n’a pas répondu à la demande de commentaire de Nature concernant les questions de précision biologique. Il a en revanche écrit sur LinkedIn que l’IA n’avait pas été utilisée pour générer les images expérimentales, les cils eux-mêmes, ni leur mouvement. Selon ses dires, l’IA a été appliquée après coup à des données en nuances de gris reconstruites, afin de distinguer et de coloriser des structures présentant une morphologie similaire. L’objectif, a-t-il écrit, était de rendre la présentation finale visuellement attrayante tout en étant scientifiquement intéressante, étant donné que la vidéo était préparée pour un concours célébrant la beauté de la microscopie.
Cette explication trace une limite entre les données sous-jacentes et le rendu visuel. Mais elle ne clôt pas entièrement la controverse. Melanie White, biologiste du développement à l’Université du Queensland à Brisbane en Australie, a souligné qu’il reste difficile de savoir avec quelle fidélité la vidéo représente ce que le microscope a réellement capturé. L’outil d’IA, a-t-elle noté, a pu introduire des structures biologiques qui n’existent pas dans les données originales.
C’est le cœur du problème. Le post-traitement n’est pas nouveau dans l’imagerie scientifique. Ajuster le contraste, supprimer le bruit et coloriser des données en nuances de gris sont des pratiques courantes. Ce qui change lorsqu’un modèle d’IA gère cette étape est le degré de liberté interprétative qu’exerce le système. Un modèle d’IA non supervisé, par définition, n’est pas guidé par des exemples étiquetés de ce à quoi les structures devraient ressembler. Il prend ses propres décisions sur la manière de segmenter et de rendre ce qu’il voit dans les données. Ces décisions peuvent être visuellement plausibles sans pour autant être biologiquement exactes.
Pourquoi les images scientifiques ne sont pas des illustrations
C’est ce que la plupart des reportages sur cette affaire oublient. La controverse ne concerne pas vraiment un concours, ni même une seule vidéo. Elle touche à un principe fondamental de la pratique scientifique.
Markus Sauer, qui étudie la microscopie à super-résolution à l’Université de Würzburg en Allemagne, a résumé la distinction avec clarté : utiliser des outils d’IA pour visualiser des données expérimentales ne pose pas automatiquement problème. Cela devient problématique lorsque les images générées par l’IA faussent, exagèrent ou altèrent les résultats expérimentaux. La frontière entre ces deux issues n’est pas toujours évidente, et cette ambiguïté est le véritable problème.
Le point de vue de White mérite d’être retenu : les images scientifiques sont des données. Ce ne sont pas des interprétations artistiques de données, et ce ne sont pas des illustrations conçues pour communiquer un concept. Elles constituent la preuve elle-même. Lorsqu’un lecteur regarde une image de microscopie dans un article ou une participation à un concours, l’hypothèse implicite est que ce qui apparaît à l’écran correspond à quelque chose qui existe dans l’échantillon physique. Si un modèle d’IA a rendu des structures que le microscope n’a jamais détectées, cette hypothèse s’effondre.
Les implications vont bien au-delà des concours. Les images de microscopie apparaissent dans des recherches évaluées par des pairs, dans des contextes cliniques et dans les jeux de données d’entraînement utilisés pour construire les futurs modèles d’IA. Si le post-traitement par IA introduit des caractéristiques biologiquement improbables qui passent inaperçues, ces caractéristiques peuvent se propager dans le dossier scientifique.
Le domaine ne dispose pas encore d’un étalon clair et partagé sur le type de post-traitement assisté par IA qui est acceptable en imagerie scientifique, ni sur la manière dont il doit être divulgué. Cette affaire a rendu cette lacune visible.
En bref
Un outil d’IA appliqué à une vidéo de microscopie primée a pu rendre des structures biologiques qui n’existent pas dans les données sous-jacentes. Le créateur affirme que l’IA a été utilisée uniquement pour le post-traitement, et non pour générer les images principales. Les experts sont en désaccord quant à savoir si le résultat représente fidèlement la mesure originale. Le problème de fond est que les images scientifiques fonctionnent comme des données et non comme de la décoration, et que le domaine manque de normes acceptées sur la manière dont le post-traitement par IA doit être utilisé et divulgué dans ce contexte.
D’après un reportage de Nature: Machine Learning.