AI 正在改变科学研究中图像完整性问题的检测方式。自动化工具如今能够以人工审查无法企及的规模和速度，筛查重复、篡改、AI 生成内容和抄袭问题。Proofig AI 专为这项任务而打造，可在问题公开化之前提示疑似问题，供人工审查。
科学研究中的图像完整性问题有多严重？
问题的范围相当大，且有充分记录。根据接受 UKRIO 采访的图像完整性分析师 Jana Christopher 的说法，约 20% 至 35% 的生命科学投稿在编辑筛查过程中因图像问题被标记。其中大多数并非蓄意造假，而是在图表制作、数据处理或多人研究团队协作过程中引入的错误。
这些问题的后果远远超出投稿阶段。一项针对世界排名前 20 的知名大学撤稿情况的同行评议分析发现，在 2010 年至 2019 年期间，图像篡改是撤稿的主要原因之一。而撤稿率本身也在攀升：2022 年发表的文章中约有 0.2% 现已被撤稿，约为十年前的三倍。
这些数字描述的是一个结构性问题，而非一系列孤立事件。期刊每年收到的稿件数量持续增长，而每份稿件的图表中可能包含数十个子图。规模与复杂性叠加，使任何编辑团队都不可能人工检查每一个像素。
为什么人工审查跟不上？
由训练有素的分析人员进行人工图像审查仍有价值，但面临明显的能力限制。一项发表于《Research Integrity and Peer Review》的同行评议横断面研究测试了 831 名医学生和 26 名研究人员发现图像重复的能力。学生正确识别重复的比例中位数仅为 29.4%，研究人员为 32.4%，两组之间无统计学显著差异。
这并非不够尽责，而是反映了这项任务本身的难度。图像篡改手段日益复杂，包括内容识别编辑、部分重叠和细微拼接，这些都难以用肉眼发现。当一份稿件同时包含 Western blot（蛋白质印迹）、显微图像、组织学切片和 FACS 图时，人工审稿人的认知负担相当大。
AI 驱动的工具弥补了这一能力缺口。它们并不取代人的判断，而是通过标记值得仔细检查的区域，扩展人工审稿人的能力范围。
AI 驱动的图像完整性工具实际上做什么？
自动化图像分析涵盖若干不同类别的潜在问题。以下具体说明 Proofig AI 的筛查内容：
| 检测类别 | 识别内容 |
|---|---|
| 图像篡改检测 | 单个子图内的克隆（图像内区域复制）、拼接、删除和内容识别编辑 |
| 图像重复与复用分析 | 稿件内图像区域的复用，包括经过缩放、旋转、翻转（镜像）或部分重叠后的复用 |
| AI 生成图像识别 | 涵盖显微图像、组织学图像、Western blot、细胞培养板图像、动物成像和医学影像的合成图像 |
| 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） | 检测研究人员复用自己此前已发表图像的情况，比对对象为个性化资料库 |
每个类别针对一种不同类型的风险。重复分析可发现意外的图表复用，这在多名团队成员基于共享数据集制作图表的实验室中很常见。篡改检测可识别在图表制作任何阶段可能引入的改动。抄袭检查可提示已发表文献中的图像出现在新投稿中的情况，无论是出于失误还是有意为之。
关键在于，这些工具提示的是疑似问题，供人审查。它们不会认定过错、确认造假，也不会对研究人员的意图作出最终判断。
为什么 AI 生成的科学图像日益令人担忧？
AI 图像生成工具如今能够生成合成的显微图像、Western blot、组织学切片及其他科学图像，难以与真实的实验室数据区分。《Nature》报道了这一日益严峻的威胁，指出 AI 生成的图表带来了验证方面的挑战，需要借助能够识别 AI 的检测工具来应对。
这并非假设性的风险。多家期刊已在投稿稿件中发现 AI 生成的图像，而检测工具必须随着生成模型的改进而持续更新。Proofig AI 可检测主流生成模型产生的 AI 生成科学图像，并随着新模型的出现更新其检测能力。该平台涵盖显微图像、组织学图像、细胞培养板图像、动物成像、医学影像和 Western blot，这些正是生成工具最常针对的图像类型。
对研究人员而言，这意味着即使一份稿件完全由真实的实验数据构成，只要有合作者或共同作者引入了一张合成图像，整份稿件也可能因此受损。投稿前筛查是及早发现此类问题的切实可行的方法。
AI 工具如何支持而非取代人的判断？
AI 筛查是一个质量保证步骤，而不是编辑或研究人员判断的替代品。目的不是预设存在不当行为，而是通过及早提示疑似问题来支持人工审查。当 Proofig 标记出潜在的重复或疑似篡改时，该发现会交由研究人员、编辑或科研诚信负责人，在掌握完整背景信息的情况下进行评估。
这一点很重要，因为许多图像完整性问题确实是无意造成的。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像，因为问题可能由合作者、学生或参与数据处理和图表制作的其他人员引入。负责大型实验室的 PI 不可能亲自核实每位团队成员制作的每张图表中的每个子图。自动化筛查填补了这一空白，且不带有任何怀疑的意味。
《Nature》曾报道研究人员在撤回论文时承受的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发现的无心之失。在投稿前发现一个重复的分图，其代价远低于更正或撤回已发表的论文。
实际采用情况说明了什么？
该领域的发展方向很明确。《Science》系列期刊采用 Proofig AI 来筛查被改动的图像，此前的试点表明，问题图表能够在发表前被识别出来。MDPI 与 Proofig AI 签署了一项多年期协议，以加强其旗下各期刊的科研诚信。正如 MDPI 技术创新负责人 Milos Cuculovic 所说：“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。”
这些采用案例表明，自动化图像完整性筛查正在成为编辑流程的标准环节。了解这一转变的研究人员可以提前做好准备。
研究人员现在应该做什么？
投稿前筛查如今不仅面向出版商，个人研究人员也可以使用。在投稿前使用 Proofig AI 检查稿件，是一项主动的质量把关步骤，与校对文字或复核参考文献的逻辑相同。您检查自己的工作，是因为在复杂的工作流程中难免出错，而不是因为您预计会发现造假。
如果问题在投稿前被发现，就可以低调而彻底地加以纠正。如果在发表后才被发现，其后果，包括更正声明、撤稿和声誉损害，将要难处理得多。
实际的结论很简单：在投稿前筛查您的图表。工具已经存在，主要期刊已在使用，而不进行筛查的代价正在上升。
