画像の​信頼性チェックを​編集ワークフローに​組み込む：​学術誌編集者のための​ガイド

投稿原稿における画像の信頼性の問題の大半は意図的なものではなく、図の作成時のミス、パネルのラベルの誤り、データの取り扱い中に共同研究者が持ち込んだミスから生じています。学術誌の編集者は、投稿の受付、デスクレビュー、採択前という3つの実践的なタイミングで画像の信頼性スクリーニングを組み込み、こうした問題を早期に明らかにできます。Proofig AIのようなツールはEditorial Managerなどの編集管理システムと直接連携し、手作業の手順を増やすことなく、潜在的な問題を提示して編集上のレビューにつなげます。自動スクリーニングは人の判断を支援するものであり、それに代わるものではありません。

画像の信頼性スクリーニングは、なぜ実務上欠かせないものになったのか？

投稿原稿における画像関連の問題は、編集チームが手作業のレビューで対応できる規模をすでに超えています。ある画像の信頼性の専門家は、学術誌に投稿されるライフサイエンス分野の原稿の約20〜35%に画像の信頼性の問題が含まれている可能性があると推定しており（UKRIO）、その多くは意図的なものではなく、図の作成時のミス、パネルのラベルの誤り、データの取り扱い中に共同研究者が持ち込んだミスから生じている可能性が高いとしています。

こうした問題は、査読や出版よりずっと前の投稿段階で表面化します。まさにそこが、編集上のスクリーニングで問題を捉えられる段階です。指摘される図の多くは意図的な改変ではなく誠実なミスによるものであるため、実務上の目的は、意図を判断することではなく、疑いのある問題を提示して人によるレビューにつなげることです。

ここで査読者に解決を委ねることはできません。査読者が評価するのは、科学的な価値、実験デザイン、そして解釈です。査読者はフォレンジック画像解析の訓練を受けておらず、それを期待されてもいません。University of Splitで行われた査読付き研究では、テストで研究者が正しく特定できた画像の重複はわずか32.4%、医学生では29.4%にとどまりました。訓練を受けた目であっても、問題の大半を見逃してしまうのです。

同時に、投稿数は増え続けています。すべての原稿の図を手作業で確認することは、大半の編集部にとって現実的ではありません。これは研究者の倫理観を反映したものではなく構造的な問題であり、構造的な解決策が必要です。

画像スクリーニングは、編集ワークフローのどこに組み込むのか？

画像の信頼性の自動スクリーニングを組み込むのに自然なタイミングは3つあります。それぞれに一長一短があり、どれが適切かは、貴誌の投稿数、リソース、リスク許容度によって異なります。

多くの学術誌にとって、複数の段階でスクリーニングを行うことにメリットがあります。投稿段階のスクリーニングで問題の大部分を早期に捉え、採択前のスクリーニングは最終確認の役割を果たします。

重要なのは、編集者が1つの方法だけを選ぶ必要はないということです。これらの段階は互いに補い合うものであり、画像の信頼性の品質保証は、貴誌の既存のプロセスに合わせて設定できます。

画像の自動スクリーニングは、実際に何を検出するのか？

画像の信頼性を自動でチェックするツールは、原稿内の図を解析し、疑いのある問題を指摘して編集上のレビューにつなげます。たとえばProofig AIは、次のものを検出します。

• 重複と再利用：1つの原稿内で、拡大・縮小、回転、反転（ミラー）された領域や、部分的に重なる領域も含めて検出します
• 画像の改変：1つの図の中でのクローニング（同一画像内の領域の複製）、切り貼り、削除、コンテンツに応じた編集を含みます
• AI生成画像：顕微鏡画像、組織像、ウェスタンブロット、ゲル、細胞培養プレート、医用画像が対象です
• 画像盗用：数千万点の出版済み画像を収めたPubMedのデータベースと照合します
• 自己盗用：個別に構築したリポジトリを通じて、研究者自身が過去に発表した研究と比較します

AIで生成された科学論文の図が増えていることで、このリストの重要性はいっそう高まっています。Nature誌の報道によると、AIの画像生成ツールは今や、実データと見分けるのが難しい合成された科学図を作成できるようになっており、その脅威は個別の事例にとどまらず、システム全体に及ぶものです。

自動スクリーニングが行わないことも、同じくらい重要です。自動スクリーニングは編集上の決定を下しません。意図を判断することもありません。問題が誠実なミスによるものか意図的な改変によるものかを判定することもありません。ツールは疑いのある問題を提示し、それにどう対応するかは編集者が決めます。この違いは重要です。目的は、疑いのある問題を早期に提示して人によるレビューを支援することであり、編集上の判断に取って代わることではありません。

Proofig AIは数十万点の実際の科学画像で検証されており、誤検出をできるだけ抑えるよう設計されています。そのため編集者は、存在しない問題の指摘を追いかけるのではなく、本当の懸念を確認することができます。

編集管理システムとはどのように連携するのか？

よくある懸念は、画像スクリーニングを追加すると、プラットフォームもログインも手順も1つずつ増えるのではないか、というものです。ここで重要になるのがシステムの連携です。Proofig AIは、学術出版で広く利用されている編集管理プラットフォームであるEditorial Managerと連携しています。この連携により、編集ワークフローそのものの中で画像の信頼性スクリーニングを自動化でき、編集者が別々のツールを行き来する必要が少なくなります。

Science誌とその姉妹誌をはじめとする有力学術誌は、編集ワークフローの一環としてProofig AIを導入し、画像の自動スクリーニングをiThenticateのようなテキスト類似性ツールと同様のものと位置づけています。大手オープンアクセス出版社であるMDPIも、複数年契約でProofig AIを導入しました。これらは試験的な導入ではありません。画像の自動スクリーニングは、編集の標準になりつつあります。

画像の信頼性にとどまらない、より幅広い原稿の品質保証を必要とする学術誌に向けて、ProofigはPubShieldも提供しています。PubShieldは、画像の信頼性スクリーニングと、テキストの類似性、AI生成テキストの検出、参考文献の信頼性、データのコンプライアンスに関するパートナーのチェックを、すべて1つのダッシュボードにまとめた投稿ハブです。

画像の信頼性ツールを評価する際、編集者は何を確認すべきか？

貴誌で画像の自動スクリーニングを検討している場合は、次のような実践的な点を確認してください。

• 対応する画像タイプ：顕微鏡画像、ウェスタンブロット、組織像、FACS、医用画像、細胞培養プレートなど、貴誌の対象分野でよく扱われる画像タイプに対応していますか？
• システムとの連携：貴誌の編集管理システムと連携できますか？それとも、原稿ごとに別のログインと手作業でのアップロードが必要ですか？
• 対応につながるレポート：レポートは、編集スタッフが判断を下すのに十分な文脈を提供していますか？それとも、問題の有無を示すだけですか？
• 偽陽性率：誤検出を抑え、編集者が問題のない箇所に時間を費やさずに済むようになっていますか？
• 実画像での検証：一般的な画像データセットだけでなく、関連するモダリティにわたる実際の科学画像で検証されていますか？
• AI生成画像の検出：研究においてAIで生成された図が急増していることを踏まえ、貴誌が掲載するモダリティにわたって合成画像を検出できますか？

これらの基準は抽象的なものではありません。画像スクリーニングがワークフローの役に立つ一部となるか、それとも事務的な負担になるかを左右します。

編集者はどのように始めればよいか？

小規模な学術誌の編集者や、自動スクリーニングを初めて導入する編集者は、ワークフローを一度に全面的に見直す必要はありません。妥当な出発点は、画像を多く扱う分野の原著論文など、対象を定めた原稿カテゴリーについて、デスクレビューの段階で画像の信頼性スクリーニングを実施することです。そうすることで、ほかの段階や原稿タイプに広げる前に、編集スタッフはレポートの形式に慣れ、指摘された項目の解釈の仕方を調整し、その価値を評価できます。

目的は明快です。画像の信頼性のレビューを、問題が疑われたときの例外的な対応ではなく、編集上の品質保証の日常的な一部にすることです。撤回率は着実に上昇しており、出版前に問題を見つけることの重要性を裏付けています。出版前に問題を見つけることは、学術誌の記録、査読者の時間、そして信頼できる文献を研究の拠りどころとする研究者を守ることにつながります。

小さく始めても構いません。大切なのは、始めることです。