Un prestigioso concorso di microscopia è diventato un inatteso punto di attrito in un dibattito che va ben oltre un singolo video. La domanda al centro di tutto è ingannevolmente semplice: quando gli strumenti di IA vengono applicati alle immagini scientifiche, dove finisce il miglioramento e dove comincia la fabbricazione?
Un video vincitore che ha sollevato più domande che risposte
Nikon Instruments organizza un concorso annuale chiamato Small World in Motion, che celebra i video catturati attraverso i microscopi ottici. Quest’anno il premio è andato a Ning Xu, un ingegnere ottico della National University of Singapore. La sua partecipazione documentava il movimento delle ciglia, le strutture simili a peli che rivestono parti dei polmoni, in un tessuto prelevato da un bambino affetto da discinesia ciliare primaria, un raro disturbo genetico che causa infezioni croniche ai polmoni, ai seni paranasali e alle orecchie.
Il video è visivamente sorprendente. Sotto le ciglia compaiono strutture rosse, viola e blu. È proprio questo che ha attirato l’attenzione.
Giorni dopo l’annuncio del 15 settembre, gli esperti di microscopia hanno iniziato a sollevare dubbi sui social media. Edward Phelps, un ricercatore di bioingegneria presso la University of Florida a Gainesville, ha scritto su LinkedIn che le strutture viola assomigliano ai mitocondri, ma che i mitocondri extracellulari di quelle dimensioni non esistono in biologia. Ha osservato che le strutture blu sembrano nuclei ma non si comportano come nuclei, e che l’identità della colorazione rossa non era chiara. La preoccupazione, detta chiaramente: queste strutture potrebbero non esistere affatto nel campione biologico.
Il 22 settembre Nikon Instruments ha aggiornato il post del suo blog sulla partecipazione per ammettere che Xu aveva utilizzato un modello di IA “non supervisionato” per coadiuvare la “post-elaborazione”.
Cosa ha detto il creatore e cosa resta irrisolto
Xu non ha risposto alla richiesta di commento di Nature sulle questioni di accuratezza biologica. Ha scritto su LinkedIn che l’IA non è stata utilizzata per generare il filmato sperimentale, le ciglia stesse o il loro movimento. Secondo il suo resoconto, l’IA è stata applicata a posteriori a dati in scala di grigi ricostruiti, per distinguere e colorare strutture con morfologia simile. L’obiettivo, ha scritto, era rendere la presentazione finale “visivamente accattivante oltre che scientificamente interessante”, dato che il video era stato preparato per un concorso che celebra la bellezza della microscopia.
Questa spiegazione traccia una linea tra i dati sottostanti e la resa visiva. Ma non chiude del tutto la polemica. Melanie White, una biologa dello sviluppo presso la University of Queensland a Brisbane, in Australia, ha fatto notare che rimane poco chiaro quanto fedelmente il video rappresenti ciò che il microscopio ha effettivamente catturato. Lo strumento di IA, ha osservato, potrebbe aver introdotto strutture biologiche che non esistono nei dati originali.
Questo è il nodo del problema. La post-elaborazione non è una novità nell’imaging scientifico. Regolare il contrasto, rimuovere il rumore e colorare i dati in scala di grigi sono pratiche standard. Ciò che cambia quando un modello di IA gestisce quella fase è il grado di libertà interpretativa che il sistema esercita. Un modello di IA non supervisionato, per definizione, non è guidato da esempi etichettati di come dovrebbero apparire le strutture. Prende decisioni proprie su come segmentare e rendere ciò che vede nei dati. Tali decisioni possono essere visivamente plausibili senza essere biologicamente accurate.
Perché le immagini scientifiche non sono illustrazioni
Questo è ciò che la maggior parte della copertura mediatica della storia tralascia. La polemica non riguarda davvero un concorso, o nemmeno un singolo video. Riguarda un principio fondamentale della pratica scientifica.
Markus Sauer, che studia la microscopia a super-risoluzione presso l’Università di Würzburg in Germania, ha espresso chiaramente la distinzione: l’uso di strumenti di IA per visualizzare i dati sperimentali non è automaticamente un problema. Lo diventa quando le immagini generate dall’IA travisano, esagerano o alterano i risultati sperimentali. La linea di demarcazione tra questi due esiti non è sempre ovvia, e questa ambiguità è il vero problema.
L’impostazione di White merita di essere tenuta a mente: le immagini scientifiche sono dati. Non sono interpretazioni artistiche dei dati e non sono illustrazioni progettate per comunicare un concetto. Sono le prove stesse. Quando un lettore guarda un’immagine di microscopia in un articolo o in un concorso, il presupposto è che ciò che appare sullo schermo corrisponda a qualcosa che esiste nel campione fisico. Se un modello di IA ha reso strutture che il microscopio non ha mai rilevato, quel presupposto crolla.
Le implicazioni si estendono ben oltre i concorsi. Le immagini di microscopia compaiono nella ricerca sottoposta a revisione paritaria, nei contesti clinici e nei dataset di addestramento utilizzati per costruire futuri modelli di IA. Se la post-elaborazione tramite IA introduce caratteristiche biologicamente implausibili che passano inosservate, tali caratteristiche possono propagarsi attraverso la letteratura scientifica.
Il settore non dispone ancora di uno standard chiaro e condiviso su quale post-elaborazione assistita da IA sia accettabile nell’imaging scientifico, o su come debba essere dichiarata. Questo caso ha reso visibile tale lacuna.
In breve
Uno strumento di IA applicato a un video di microscopia premiato potrebbe aver reso strutture biologiche che non esistono nei dati sottostanti. Il creatore afferma che l’IA è stata utilizzata solo per la post-elaborazione, non per generare il filmato principale. Gli esperti sono in disaccordo sul fatto che il risultato rappresenti fedelmente la misurazione originale. Il problema più profondo è che le immagini scientifiche funzionano come dati, non come decorazioni, e il settore manca di standard condivisi su come la post-elaborazione tramite IA debba essere utilizzata e dichiarata in quel contesto.
Basato su un articolo di Nature: Machine Learning.