投稿稿件中的大多数图像完整性问题都是无意造成的，源于图表制作错误、分图标注错误，或合作者在数据处理过程中引入的失误。期刊编辑可以在三个切实可行的节点集成图像完整性筛查，即投稿接收、编辑初审或录用前，以便及早发现这些问题。Proofig AI 等工具可与 Editorial Manager 等编辑管理系统直接对接，帮助呈现潜在问题供编辑审查，且不增加人工步骤。自动化筛查为人的判断提供支持，而不是取而代之。
为什么图像完整性筛查已成为实际需要？
投稿稿件中图像相关问题的规模，已超出编辑团队通过人工审查所能应对的范围。一位图像完整性专家估计，投稿至期刊的生命科学稿件中，约有 20% 至 35% 可能存在图像完整性问题（UKRIO），而其中许多问题很可能是无意造成的，源于图表制作错误、分图标注错误，或合作者在数据处理过程中引入的失误。
这些问题出现在投稿阶段，远早于同行评议和发表，而这恰恰是编辑筛查能够发现它们的阶段。许多被标记的图表反映的是无心之失而非蓄意篡改，因此实际目标是呈现疑似问题供人工审查，而不是认定意图。
同行评议的审稿人并不能解决这一问题。审稿人评估的是科学价值、实验设计和结果解读。他们没有接受过图像取证分析的培训，也不应被期望具备这种能力。斯普利特大学（University of Split）的一项经同行评议的研究发现，在测试中，研究人员仅正确识别出 32.4% 的图像重复，医学生仅识别出 29.4%。即使是训练有素的眼睛，也会漏掉大多数问题。
与此同时，投稿量持续增长。对大多数编辑部而言，逐份稿件人工检查图表并不现实。这是一个结构性问题，并不反映研究人员的伦理水平，需要结构性的解决方案。
图像筛查应放在编辑工作流程的哪个环节？
自动化图像完整性筛查有三个自然的切入点。每个切入点各有利弊，正确的选择取决于您期刊的投稿量、资源和风险承受能力。
| 工作流程阶段 | 运作方式 | 适用场景 |
|---|---|---|
| 投稿时 | 稿件进入系统时即运行自动化筛查，早于稿件送达编辑手中。问题会在投入任何编辑时间之前被标记。 | 需要及早过滤问题的高投稿量期刊 |
| 编辑初审时 | 编辑在决定是否送交同行评议之前，结合稿件查看筛查报告。在保留编辑判断的同时，增加了一层结构化证据。 | 希望每一步决策都由编辑掌控的期刊 |
| 录用时 | 在进入生产环节之前进行最后一轮筛查，发现修改过程中新引入或被改动的内容。 | 关注初次投稿与最终版本之间所做改动的期刊 |
许多期刊将受益于在多个阶段开展筛查。投稿阶段的筛查可及早发现大部分问题，录用前的筛查则可作为最后一道检查。
关键在于，编辑无需只选择一种方式。这些阶段相辅相成，图像完整性质量保证可以按照您期刊的现有流程进行配置。
自动化图像筛查实际能检测什么？
自动化图像完整性工具会分析稿件中的图表，并标记疑似问题供编辑审查。例如，Proofig AI 可检测：
- 图像重复与复用（单篇稿件内），包括经过缩放、旋转、翻转（镜像）或部分重叠的区域
- 图像篡改，包括单幅图表内的克隆（图像内区域复制）、拼接、删除和内容识别编辑
- AI 生成图像，涵盖显微图像、组织学图像、Western blot（蛋白质印迹）、凝胶图像、细胞培养板图像和医学影像
- 图像抄袭，与 PubMed 收录数千万张已发表图像的数据库进行比对
- 自我抄袭，通过个性化图像库，与研究人员本人此前已发表的成果进行比对
AI 生成科学图表的增多，让这份清单更显紧迫。《Nature》曾报道，AI 图像生成工具如今能够生成难以与真实数据区分的合成科学图表，而且这一威胁是系统性的，而非个别现象。
自动化筛查不做什么，同样重要。它不做编辑决策，不认定意图，也不判断某个问题究竟是无心之失还是蓄意篡改。工具负责呈现疑似问题，编辑决定如何处理。这一区别很重要：目标是通过及早呈现疑似问题来支持人工审查，而不是取代编辑判断。
Proofig AI 已在数十万张真实科学图像上完成验证，并旨在尽量减少误报，让编辑审查的是真正的疑点，而不是去追查虚假的标记。
如何与编辑管理系统集成？
一个常见的顾虑是：增加图像筛查就意味着增加一个平台、一个登录账号和一个步骤。这正是系统集成的价值所在。Proofig AI 可与 Editorial Manager 集成，后者是学术出版领域广泛使用的编辑管理平台。这一集成让自动化图像完整性筛查能够在编辑工作流程内部完成，减少编辑在不同工具之间切换的需要。
包括《Science》系列期刊在内的知名期刊已将 Proofig AI 纳入其编辑工作流程，将自动化图像筛查视为与 iThenticate 等文本相似度工具类似的环节。大型开放获取出版商 MDPI 也通过一项多年协议采用了 Proofig AI。这些并非实验性的试点项目。自动化图像筛查正在成为编辑工作的标准做法。
对于需要图像完整性之外更广泛稿件质量保证的期刊，Proofig 还提供 PubShield。这一投稿中心将图像完整性筛查与合作伙伴提供的文本相似度、AI 生成文本检测、参考文献完整性和数据合规检查整合在同一个仪表盘中。
编辑在评估图像完整性工具时应关注什么？
如果您的期刊正在考虑自动化图像筛查，以下是需要提出的实际问题：
- 图像类型覆盖：该工具能否处理您期刊范围内常见的图像类型，例如显微图像、Western blot、组织学图像、FACS、医学影像和细胞培养板图像？
- 系统集成：它能否与您的编辑管理系统对接，还是每份稿件都需要单独登录并手动上传？
- 可据以行动的报告：报告能否为编辑人员提供足够的背景信息以做出决定，还是只给出一个非此即彼的标记？
- 假阳性率：该工具能否尽量减少误报，让编辑不必在并非问题的项目上耗费时间？
- 基于真实图像的验证：该工具是否在相关成像模态的真实科学图像上完成验证，而不仅仅是在通用图像数据集上？
- AI 生成图像检测：鉴于科研中 AI 生成图表迅速增多，该工具能否检测您期刊所发表的各类成像模态中的合成图像？
这些标准并不抽象。它们决定了图像筛查是成为您工作流程中有用的一部分，还是变成一种行政负担。
编辑应如何着手？
规模较小期刊的编辑，或刚开始接触自动化筛查的编辑，无需一次性全面改造工作流程。一个合理的起点是，针对某一类明确界定的稿件（例如图像密集学科的原创研究论文），在编辑初审阶段开展图像完整性筛查。这样，编辑人员可以逐步熟悉报告格式，校准对被标记内容的解读方式，并在扩展到其他阶段或稿件类型之前评估其价值。
目标很简单：让图像完整性审查成为编辑质量保证的常规环节，而不是对疑似问题的例外性应对。撤稿率一直在稳步上升，凸显了在发表前发现问题的重要性。这样做可以保护期刊的发表记录、审稿人的时间，以及依赖可信文献开展工作的研究人员。
从小处着手没有问题。重要的是开始行动。
