Grænsen trækkes der, hvor algoritmen holder op med at optimere eksisterende signaler og begynder at tilføje information, der ikke findes i de rå data. I mikroskopi taler vi ofte om super-resolution eller støjreduktion via deep learning. Hvis du bruger en AI til at fjerne baggrundsstøj (denoising) uden at ændre de morfologiske træk i cellen, betragtes det som en teknisk optimering. Her bevarer du den videnskabelige integritet.
Problemet opstår, når modellen begynder at ”hallucinere”. Dette sker typisk, når man træner netværket på for specifikke datasæt, så algoritmen begynder at udfylde huller med mønstre, den kender i forvejen, frem for det faktiske biologiske motiv. Hvis en scanning af en fluorofor-mærket struktur bliver så glat, at små, men vitale, biologiske anomalier forsvinder, har du bevæget dig fra dokumentation til illustration.
Som forsker bør du altid gemme de rå, ubehandlede mikrografier. Hvis du bruger generative metoder, skal det deklareres eksplicit i din metodebeskrivelse. Man må aldrig lade en algoritme diktere placeringen af et organel eller forme en protein-struktur. Når billedet ikke længere direkte repræsenterer de fotoner, der ramte sensoren, er det ikke længere data; så er det kunst.
