AIは、科学研究における画像の信頼性に関わる問題の検出方法を大きく変えつつあります。自動化ツールは今や、手作業のレビューでは追いつけない規模と速さで、重複、改変、AI生成コンテンツ、盗用をスクリーニングしています。Proofig AIはまさにこの作業のために開発されたツールであり、疑いのある問題が公の問題になる前に、人によるレビューのために提示します。
科学研究における画像の信頼性の問題はどれほど大きいのか？
この問題の規模は大きく、十分に裏付けられています。UKRIOのインタビューを受けた画像の信頼性アナリスト、Jana Christopher氏によると、投稿されたライフサイエンス分野の原稿のおよそ20〜35%が、編集部によるスクリーニングの段階で画像関連の問題を指摘されています。その大半は意図的な不正ではありません。図の作成やデータの取り扱いの過程で、あるいは複数の人が関わる研究チームでの共同作業の中で生じた誤りです。
こうした問題の影響は、投稿段階をはるかに超えて及びます。世界の上位20大学における撤回を対象とした査読付きの分析では、2010年から2019年の期間において、画像の改変が撤回の主な原因のひとつであったことがわかりました。そして撤回率そのものも上昇しています。2022年に出版された論文の約0.2%がすでに撤回されており、これは10年前のおよそ3倍の割合です。
これらの数字が示しているのは、個別の出来事の寄せ集めではなく、構造的な問題です。学術誌に投稿される原稿の数は年々増え続けており、1本の原稿の図には数十点のサブ画像が含まれることもあります。この規模と複雑さが重なると、どの編集チームにとっても、すべてのピクセルを手作業で調べることは現実的ではありません。
手作業のレビューが追いつけないのはなぜか？
訓練を受けたアナリストによる手作業の画像レビューは今も価値がありますが、処理能力には明らかな限界があります。Research Integrity and Peer Review誌に掲載された査読付きの横断研究では、医学生831人と研究者26人を対象に、画像の重複を検出する能力が調べられました。学生が正しく特定できた重複は中央値でわずか29.4%、研究者は32.4%で、両群の間に統計的に有意な差はありませんでした。
これは努力不足ではなく、作業そのものの難しさを反映しています。画像の改変は、コンテンツに応じた編集、部分的な重なり、目視では検出しにくいわずかな切り貼りなど、より巧妙になっています。1本の原稿にウェスタンブロット、顕微鏡画像、組織標本スライド、FACSプロットが含まれている場合、人のレビュアーにかかる認知的な負荷は相当なものになります。
AIを活用したツールは、この処理能力の空白に対応します。人の判断に取って代わるものではありません。より詳しく調べるべき箇所を指摘することで、人のレビュアーが目を届かせられる範囲を広げるのです。
AIを活用した画像信頼性ツールは実際に何をするのか？
自動画像解析は、潜在的な問題のいくつかの異なるカテゴリーをカバーします。Proofig AIがスクリーニングする対象を、具体的に説明します。
| 検出カテゴリー | 特定する内容 |
|---|---|
| 画像の改変の検出 | 単一のサブ画像内のクローニング（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 |
| 重複・再利用の分析 | 原稿内での画像領域の再利用（拡大・縮小、回転、反転、部分的な重なりを経たものを含む） |
| AI生成画像の識別 | 顕微鏡画像、組織像、ウェスタンブロット、細胞培養プレート、動物イメージング、医用画像にわたる合成画像 |
| 画像盗用（PubMedソース） | 過去に出版された原稿からのサブ画像の再利用（数千万点の画像と照合） |
| 自己盗用の管理（My Database：独自の非公開画像リポジトリ） | 研究者自身が過去に出版した画像の再利用（個人用リポジトリと照合） |
これらのカテゴリーは、それぞれ異なる種類のリスクに対応しています。重複の分析は、偶発的な図の再利用を発見します。これは、複数のチームメンバーが共有データセットから図を作成する研究室でよく起こります。改変の検出は、図の作成のどの段階で生じた可能性のある加工も特定します。盗用のチェックは、出版済みの文献に含まれる画像が、誤りによるものか意図的なものかにかかわらず、新たな投稿に現れているケースを提示します。
重要なのは、これらのツールが疑いのある問題をレビューのために提示するという点です。責任の有無を判断したり、不正を確定したり、研究者の意図について最終的な判断を下したりすることはありません。
AI生成の科学画像への懸念が高まっているのはなぜか？
AI画像生成ツールは今や、実際の実験データと見分けにくい、合成された顕微鏡画像、ウェスタンブロット、組織標本スライドなどの科学的なビジュアルを作成できるようになっています。Nature誌はこの高まりつつある脅威について報じ、AI生成の図は検証上の課題であり、その対処にはAIを想定した検出ツールが必要だと指摘しています。
これは仮定上のリスクではありません。複数の学術誌で、投稿原稿からAI生成画像が見つかっています。生成モデルの進化に合わせて、検出ツールも継続的に更新しなければなりません。Proofig AIは、広く使われている主要な画像生成モデルを対象にAI生成の科学画像を検出し、新しいモデルの登場に合わせて検出機能を更新しています。このプラットフォームは、顕微鏡画像、組織像、細胞培養プレート、動物イメージング、医用画像、ウェスタンブロットといった、生成ツールの標的になりやすい画像の種類をカバーしています。
研究者にとってこれは、すべて本物の実験データで構成された原稿であっても、共同研究者や共著者が合成画像を持ち込めば、その原稿が損なわれかねないということを意味します。この種の問題を早期に発見するには、投稿前のスクリーニングが特に実践的な方法です。
AIツールは人の判断に取って代わるのではなく、どのように支えるのか？
AIによるスクリーニングは品質保証のステップであり、編集者や研究者の判断に代わるものではありません。目的は不正行為を前提とすることではなく、疑いのある問題を早期に提示することで、人によるレビューを支えることです。Proofigが重複の可能性や改変の疑いを指摘すると、その検出結果は、研究者、編集者、または研究公正担当者に渡され、全体の文脈を踏まえて評価されます。
これが重要なのは、画像の信頼性に関わる問題の多くが、本当に意図せずに生じたものだからです。高い倫理基準を守っている研究者であっても、問題は共同研究者や学生、あるいはデータの取り扱いや図の作成に関わる他の人によって持ち込まれることがあるため、問題のある画像をそれと知らずに投稿してしまうことがあります。大規模な研究室を率いるPIが、すべてのチームメンバーが作成したすべての図のすべてのサブ画像を自ら確認することはできません。自動スクリーニングは、疑いを向けることなく、その空白を埋めます。
Nature誌は、論文を撤回する際に研究者が直面する個人的なストレスやキャリア上のストレスについて報じています。その撤回の多くは、投稿前のスクリーニングで発見できたはずの悪意のないミスによるものです。投稿前に重複したパネルを発見するほうが、出版済みの論文を訂正したり撤回したりするよりも、はるかにコストを抑えられます。
実際の導入事例から何がわかるのか？
この分野の方向性は明らかです。Science誌とその姉妹誌は、試験運用で問題のある図を出版前に特定できることが示されたことを受け、加工された画像をスクリーニングするためにProofig AIを導入しました。MDPIは、刊行誌全体で研究公正を強化するため、Proofig AIと複数年契約を締結しました。MDPIの技術イノベーション責任者であるMilos Cuculovic氏は、次のように述べています。「専門家の意見から、Proofig AIは群を抜いて最良の選択肢だと思われました。そして今、私たちはMDPIが出版する研究成果について、研究公正をさらに確かなものにし、その高い品質を保証しています」
こうした導入は、画像信頼性の自動スクリーニングが編集プロセスの標準的な一部になりつつあることを示しています。この変化を理解している研究者は、それに応じて準備を進めることができます。
研究者は今、何をすべきか？
投稿前スクリーニングは、今や出版社だけでなく、個々の研究者も利用できるものになっています。投稿前に原稿をProofig AIでチェックすることは、文章の校正や参考文献の再確認と同じ考え方にもとづく、先を見越した品質向上のステップです。ご自身の研究をチェックするのは、複雑なワークフローではミスが起こるからであって、不正が見つかると思っているからではありません。
投稿前に問題が見つかれば、目立たず、完全に修正できます。出版後に見つかった場合、訂正の告知、撤回、評判へのダメージといった影響への対処は、はるかに難しくなります。
実践的なポイントはシンプルです。投稿前に図をスクリーニングしましょう。ツールはすでにあり、主要な学術誌はすでにそれを使っています。そして、スクリーニングしないことのコストは高まり続けています。
