Proofig AI 在同行评议开始之前，自动筛查科学图像中疑似存在的重复、篡改、AI 生成内容和抄袭问题，从而强化投稿与审稿流程。它填补了以文本为主的工具无法覆盖的空白，为编辑提供结构化、低干扰的人工审查依据，让图像完整性检查更早、更一致地开展。
AI 工具正在重塑编辑工作流程，但大多数工具聚焦于文本：语言润色、抄袭检测、AI 文本筛查。图像完整性仍是一个独特且未被充分覆盖的空白。Proofig AI 的图像完整性平台针对这一空白，在同行评议开始之前筛查稿件图表中的重复、篡改、AI 生成内容和抄袭问题，并提示疑似问题供人工审查。
编辑工作流程中的图像完整性空白
出版商讨论 AI 辅助编辑工具时，话题通常围绕基于文本的功能展开。图像完整性则属于一个截然不同的问题领域，需要专门的检测方法和特定领域的训练数据。问题的规模相当可观。根据 UKRIO 与图像完整性分析师 Jana Christopher 提供的数据，投稿至期刊的生命科学稿件中，约有 20% 至 35% 在投稿阶段因图像问题被标记。其中许多问题直到发表后才被发现。
许多在投稿阶段被标记的问题并未在发表前被发现，其中相当一部分通过了同行评议，进入了已发表的学术记录。投稿内容与事先发现的问题之间的落差，反映的是审稿流程中的结构性漏洞，而非个别编辑的失职。
这不是仅靠加强培训就能解决的问题。它需要集成到编辑工作流程中的专用工具。
为什么图像问题难以用肉眼发现？
期刊编辑和同行评议专家精通的是科学内容，而不是图像取证分析。真正关键的问题类型，例如跨页面的重复、带旋转的部分重复、分图内细微的克隆（图像内区域复制）、不同图表之间的拼接，或与真实数据难以区分的 AI 生成显微图像，往往是未经训练的肉眼无法察觉的。
一项发表于《Research Integrity and Peer Review》的 2025 年同行评议研究测试了医学生和研究人员发现图像重复的能力。研究人员仅正确识别出 32.4% 的重复（中位数为 11 处，共 34 处可能的重复），与学生相比无显著差异。这一发现凸显了一个关键问题：即使是受过训练的科学家，在人工审查图表时也会遗漏大多数图像完整性问题。
不断增长的投稿量如何放大这一问题？
不断增长的投稿量使挑战更加严峻。一份稿件可能包含数十张图表，每张图表又包含多个分图。在当今大多数期刊的运营规模下，对每份投稿的每个分图都进行全面人工审查并不可行。随着投稿量增加，需要检查的内容与人工审稿人实际能够检查的内容之间的差距不断扩大。正因如此，Proofig AI 这类集成于工作流程的自动化筛查工具变得不可或缺：它们并非取代编辑判断，而是确保图像完整性检查能够跟上投稿的速度。
Proofig AI 能检测什么？如何运作？
Proofig AI 专为科学图像完整性而设计。其核心功能涵盖编辑需要筛查的主要图像问题类别：
| 功能 | 检测内容 |
|---|---|
| 图像重复与复用分析 | 稿件内的缩放、旋转、翻转（镜像）、完全重叠和部分重叠 |
| 篡改检测 | 单张图像内的克隆、拼接、删除、内容识别编辑 |
| AI 生成图像识别 | 涵盖显微图像、组织学图像、Western blot（蛋白质印迹）、细胞培养板图像、医学影像等的合成图像 |
| 图像抄袭（PubMed 来源） | 检测从已发表稿件中复用的子图，比对范围达数千万张图像 |
| 自我抄袭控制（My Database，私有图像库） | 与研究人员本人此前发表的成果进行比对 |
工作流程十分简单。编辑或诚信团队上传稿件（PDF 或图像文件）。Proofig 自动扫描所有图表，标记疑似问题并提供取证细节，然后生成报告供审查。该工具不会就意图或不当行为作出最终判定。它提示潜在问题，以便编辑和科研诚信负责人进一步调查。
AI 生成图像带来的威胁日益加剧。正如《Nature》在 2024 年的报道所述，AI 图像生成工具如今已能制作出足以乱真的虚假科学图表，难以与真实的显微图像及其他成像模态区分。Proofig 的 AI 生成图像检测覆盖主流生成模型，并随着新模型的出现持续更新。
Proofig 如何应对误报问题？
编辑对自动化筛查提出的一个合理顾虑是假阳性。不代表真实问题的标记会浪费编辑的时间，引发与作者之间的摩擦，并削弱对工具的信心。Proofig 直接回应了这一问题。
经大规模真实科学图像数据集验证，Proofig 的假阳性率非常低，这些数据集涵盖数十万张显微图像和 Western blot 图像。该工具采用按图像类型区分的检测方法，充分考虑每种成像模态独特的视觉特征，这有助于提高其精确率。
对编辑而言，这意味着切实的好处：该工具能够提示真正值得关注的问题，而不会产生加重编辑人员负担或损害作者关系的干扰信息。
哪些机构已在使用 Proofig AI？
Proofig 被大型出版商采用，为其编辑价值提供了具体佐证。《Science》系列期刊的全部六种期刊在数月试点后采用了 Proofig AI。《Science》主编 H. Holden Thorp 在宣布这一决定的社论中，将 Proofig 比作用于文本抄袭检测的 iThenticate，认为它在图像完整性方面满足了与之对应的需求。在《Science》，Proofig 报告现已在外部同行评议之前接受审查，使编辑能够以标准化的方式及早处理图像问题，而不必依赖临时性的检查。
MDPI 签署了一项多年期协议，在旗下各期刊中集成 Proofig。MDPI 技术创新负责人 Milos Cuculovic 表示：“从专家的意见来看，Proofig AI 无疑是最佳选择。如今我们正借此进一步确保科研诚信，并保障 MDPI 所发表研究成果的高质量。”
这些并非试点项目，而是处理数千份投稿的出版商所进行的规模化集成。
当图像完整性成为更广泛工作流程的一部分
对于寻求全面稿件质量保证层的出版商，Proofig 提供 PubShield。这是一个机构投稿中心，将多项诚信检查整合到同一个仪表盘中。PubShield 将 Proofig AI 的图像完整性筛查与文本相似度检查（由 iThenticate/Turnitin 提供支持）、AI 生成文本检测（Pangram）、参考文献完整性分析（RefGuard）以及数据报告合规检查（DataSeer）结合在一起。
需要明确的是：这些合作伙伴功能属于作为集成中心的 PubShield，并非独立的 Proofig AI 功能。PubShield 面向希望通过单一工作流程覆盖全方位稿件诚信检查的机构和出版商。
为什么审稿前筛查对作者和编辑同样重要
许多图像完整性问题是无意造成的。它们可能在图表制作过程中、合作者的工作流程中、学生组装分图时产生，也可能源于跨项目的意外复用。即使是坚守高伦理标准的研究人员，也可能在不知情的情况下提交存在问题的图表，而这些问题并非由他们本人造成。这正是同行评议前筛查的价值所在：它能在问题仍可纠正的阶段发现潜在问题，避免其演变为发表后的更正或撤稿。
遗漏问题的后果已有充分记录。《Nature》曾报道研究人员在撤回论文时承受的巨大个人压力和职业压力，而这些撤稿往往源于投稿前筛查本可避免的无心之失。对期刊而言，发表后撤稿会带来高昂的经济和声誉成本，且这些成本会随着时间推移不断累积。
给期刊编辑的实用要点
编辑无需成为图像取证专家。他们需要的是一款可靠、便捷的工具：在同行评议开始之前提示疑似问题，降低发表后更正和撤稿的风险，并能与现有投稿系统集成。Proofig 与 Aries Systems 集成，用于工作流程管理，可融入许多出版商已在使用的基础设施，并针对自动化和规模化进行了优化。有意进一步了解的编辑可联系其 Aries 客户协调员（Account Coordinator），或访问 Proofig 图像完整性平台概览。
目标不是预设存在不当行为，而是通过在潜在问题仍可纠正时及早发现它们来支持人工审查，并借助一款误报极少的工具实现这一点。对于面对投稿量不断增长、已发表图表日益受到严格审视的编辑而言，自动化图像完整性筛查正在成为负责任出版实践中不可或缺的一部分。
