Integrationen af kunstig intelligens i mikroskopi skaber en ny virkelighed for videnskabelig kontrol. Når deep learning-modeller bruges til at fjerne støj eller opskalere opløsningen (super-resolution), skaber de i virkeligheden en statistisk sandsynlighed for, hvordan cellen ser ud. Det betyder, at reviewere ikke længere blot skal vurdere biologisk evidens, men også validiteten af den matematiske rekonstruktion. En reviewer kan risikere at godkende en biologisk konklusion, der i virkeligheden er en artefakt skabt af algoritmen.
Dette nødvendiggør en helt ny standard for dokumentation. Det er ikke længere nok at indsende råfiler; forskere skal fremlægge de præcise parametre for deres neurale netværk. Vi vil se et skift mod obligatorisk deling af både træningsdata og de originale, ubehandlede mikroskopibilleder (raw data), så andre kan efterprøve de algoritmiske valg. Gennemsigtighed omkring modellens arkitektur bliver fundamentalt.
Peer-review vil sandsynligvis bevæge sig mod en mere teknisk karakter. Reviewere skal måske besidde kompetencer inden for både cellevidenskab og datavidenskab for at spotte subtile fejl, hvor AI'en har "opfundet" strukturer, der ligner biologiske organeller, men som blot er matematiske mønstre. Det kræver en omstilling i, hvordan vi definerer sandhed i det visuelle billede.
