AI 工具正在进入学术投稿与审稿工作流程，以人工流程已无法支撑的规模开展质量检查。图像完整性是这一流程中独立而专业的一环。Proofig AI 在其中发挥着特定作用：在稿件进入同行评议或发表之前，提示疑似图像问题供编辑审查。
为什么编辑工作流程面临的压力越来越大？
科学出版领域的投稿量持续增长，而编辑能力依然有限。编辑和审稿人无法人工检查每份稿件中的每张图表。这并非编辑不够尽责，而是一种结构性的现实。遗漏图像问题的后果已有充分记录：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。其中一些撤稿涉及与图像相关的问题，包括篡改或重复，相关案例报告和 Retraction Watch 的图像篡改档案对此均有记录。
在发表前阶段，这一问题更加明显。图像完整性分析师 Jana Christopher 在 UKRIO 的专家访谈中指出，约 20% 至 35% 的投稿在编辑筛查过程中因图像问题被标记。其中许多标记反映的是无心之失而非不当行为，而这正是它们需要在稿件进入下一环节之前经过人工审查的原因。
这些数据表明，对于大规模运营的期刊而言，系统化的自动化筛查并非可有可无，而是切实的必需。
为什么图像完整性值得专门关注？
关于 AI 在同行评议中应用的讨论大多集中在文本上。抄袭检测、AI 生成文字识别和参考文献核查都已获得大量投入。相比之下，图像完整性在编辑工作流程中历来较少得到系统性关注，尽管与图像相关的问题是导致更正和撤稿的主要原因之一。
一项发表于《Research Integrity and Peer Review》（2025 年）的同行评议研究测试了 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%，研究人员也仅为 32.4%。两者的差异无统计学显著性。这凸显了一个关键问题：无论受训程度如何，缺乏辅助的人工审查都会遗漏大多数图像完整性问题。
图像筛查是一个独立的专门问题。它需要专为检测各类科学图像中的视觉异常而打造的工具，而不是把图像当作附带项的通用稿件质量保证工具。这正是 Proofig AI 旨在填补的空白。
图像完整性筛查实际能发现什么？
Proofig AI 提供五项核心功能，每项针对一类不同的图像完整性风险。下表从编辑实务的角度概述了各项功能的作用。
| 功能 | 检测内容 | 对编辑的意义 |
|---|---|---|
| 图像重复与复用检测 | 稿件内重复或被复用的区域，包括经过缩放、旋转、翻转（镜像）或部分重叠的图像 | 在发表前发现图表制作错误和意外复用 |
| 图像篡改检测 | 单张图像内的改动，包括克隆（图像内区域复制）、拼接、删除和内容识别编辑 | 提示可能影响数据解读的疑似修改 |
| 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）、医学影像等由 AI 模型生成的图像 | 应对 AI 生成的科学图像可能无法准确反映底层数据这一日益严峻的挑战 |
| 图像抄袭（PubMed 来源） | 检测从已发表稿件中复用的图像，比对范围为 PubMed 中的数千万张图像 | 识别来自已发表文献的潜在图像抄袭 |
| 自我抄袭预防（My Database，私有图像库） | 通过个性化资料库，检测研究人员复用自己此前已发表图像的情况 | 帮助作者和编辑防止无意中的自我抄袭 |
Proofig 提示疑似问题供人工审查。它不会就意图或不当行为作出最终判定。每一项决定都由编辑掌控。许多图像问题是无意造成的，源于复杂的工作流程、合作者之间的交接或图表制作错误。投稿前和投稿时的筛查既保护期刊，也保护作者。
误报问题有多严重？
编辑对自动化筛查提出的一个合理顾虑是假阳性。如果工具产生过多干扰，就会浪费审稿人的时间，并与作者产生摩擦。这一顾虑值得直接回应。
经大规模真实图像数据集验证，Proofig 的假阳性率非常低，这些数据集同时包括显微图像和 Western blot 图像。其实际意义在于，当 Proofig 标记某个项目时，编辑可以将其视为值得调查的有意义信号，而不是背景噪音。这种程度的特异性对于编辑信任该工具至关重要。
Proofig 如何融入现有的编辑工作流程？
Proofig 与 Aries Systems 集成，后者在学术出版领域被广泛用于编辑工作流程管理。这意味着期刊可以在现有投稿基础设施中加入自动化图像完整性筛查，而无需重建系统。
对于寻求更广泛质量保证层的机构和出版商，PubShield 可作为稿件质量保证中心。PubShield 将 Proofig AI 的图像完整性检查与文本相似度筛查（由 iThenticate 提供支持）、AI 生成文本检测（由 Pangram 提供支持）、参考文献完整性分析（由 RefGuard 提供支持）以及数据报告合规检查（由 DataSeer 提供支持）整合到同一个仪表盘中。这种整合消除了分散的登录和碎片化的工作流程。重要的是，每一项检查都由 PubShield 生态系统中的专业合作伙伴工具提供支持。Proofig AI 负责图像完整性，其他检查则由各自的合作伙伴负责。
哪些机构已经采用这种方法？
Proofig AI 并非实验性产品。《Science》系列期刊于 2024 年在全部六种期刊中采用了 Proofig，此前数月的试点表明，问题图表能够在发表前被检测出来。《Science》主编 H. Holden Thorp 在宣布这一举措的社论中，将 Proofig 比作 iThenticate，后者已被《Science》用于文本抄袭检测七年。
MDPI 也已选用 Proofig AI，在部分期刊中实施该工具，以强化其编辑流程。MDPI 技术创新负责人 Milos Cuculovic 在 MDPI 博客中表示：“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。”
这些是大型出版商在机构层面作出的承诺，而非试点项目。它们向其他期刊的编辑表明，系统化的图像筛查已从愿景变为实际操作。
编辑应从中获得哪些启示？
系统化的图像筛查已不再是靠人工投入就能扩大规模的工作。随着投稿量增长，编辑凭肉眼所能检查的内容与实际需要检查的内容之间的差距只会不断扩大。Proofig AI 这类 AI 工具的作用正是弥合这一差距：在问题进入同行评议之前，或者更糟糕的是，在发表后受到审视之前，将疑似问题提示出来。
目标不是让编辑判断自动化，而是确保编辑和审稿人把专业知识用在需要人工评估的判断上，而不是用在 AI 能够以更一致的方式、更大规模完成的检测工作上。在工作流程中更早引入图像完整性检查的编辑，能够更好地维护其期刊所依赖的标准，同时保护自身声誉以及向其投稿的研究人员。
