大多数高校已通过 iThenticate 等工具提供文本相似度检查，但涵盖图表重复、篡改和 AI 生成视觉内容的图像完整性检查，通常不在机构的质量保证（QA）工作流程之中。Proofig AI 填补了这一空白。它既可作为独立解决方案与现有工具并行使用，也可通过 PubShield 集成到统一协调的质量保证中心。
为什么图像完整性是高校 QA 中缺失的一环
高校科研管理部门在基于文本的质量保证方面投入巨大。iThenticate 等工具筛查文本相似度，Grammarly 或类似平台发现语言问题，文献管理软件帮助整理引用。这些工具各司其职，效果良好。但它们都不会检查科学图表，而图表正是大多数研究稿件的证据支柱。
这一空白不容忽视。根据图像完整性分析师 Jana Christopher 接受 UKRIO 采访时的介绍，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。这些问题既包括图表制作过程中意外产生的重复，也包括涉及篡改或复用的更严重问题。
影响不止于单篇论文。一项针对世界排名前 20 的知名大学的同行评议分析记录了 2010 年至 2019 年间的撤稿模式，图像篡改是撤稿的主要原因之一。此外，《Nature》报道，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。对机构而言，每一次撤稿都会带来重大的经济和声誉后果，包括失去科研基金、法律费用以及对未来资助前景的损害。
重点并不是基于文本的工具不足以胜任其本职工作。它们必不可少。重点在于，图像完整性是一个独立的质量保证层，而大多数机构的工作流程尚未覆盖这一层。
Proofig AI 能检测什么？
Proofig AI 的图像完整性功能专为科学图表而设计。该平台涵盖五大核心检测领域：
| 检测功能 | 筛查内容 |
|---|---|
| 图像篡改检测 | 单个子图内的克隆（图像内区域复制）、编辑、删除、拼接和内容识别编辑 |
| 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 |
| 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）、凝胶图像、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 |
| My Database（私有图像库）自我抄袭控制 | 与个性化的既往研究资料库进行比对，防止无意中的自我复用 |
该平台涵盖所有主要科学图像类型，包括共聚焦、光学和电子显微镜图像，Western blot 与凝胶图像，FACS，组织学图像，细胞培养板图像，动物成像和医学影像。
关键在于，Proofig AI 提示疑似问题供人工审查。它不会认定过错、确认不当行为或作出最终判断。这一区别对机构采用至关重要，因为被标记的问题必须通过正式的科研诚信程序处理，而不是由自动化系统直接下结论。
对于担心警报疲劳的机构审查人员，该工具的假阳性率明显较低：显微图像为 0.0093%（基于 20 万张真实图像测试），Western blot 为 0.0020%（基于 25 万张真实图像测试）。这样的比率意味着该工具不会让科研诚信办公室疲于应对误报。
Proofig AI 如何融入现有的机构 QA 体系
Proofig AI 旨在补充而非取代现有工具。已在使用 iThenticate 进行文本相似度检查的高校，可以添加 Proofig AI 来覆盖图像层，而不会打乱当前的工作流程。
以下是典型的机构 QA 体系在添加 Proofig AI 前后的对比：
| 诚信层 | 使用 Proofig AI 之前 | 添加 Proofig AI 之后 |
|---|---|---|
| 文本相似度与抄袭 | iThenticate / Turnitin | iThenticate / Turnitin（不变） |
| 语法与语言 | Grammarly 或同类工具 | Grammarly 或同类工具（不变） |
| 图像重复与篡改 | 未覆盖 | Proofig AI |
| AI 生成图像检测 | 未覆盖 | Proofig AI |
| 图像抄袭（已发表文献） | 未覆盖 | Proofig AI |
| 参考文献完整性 | 人工检查或未检查 | 可通过 PubShield（RefGuard）实现 |
| AI 生成文本检测 | 因机构而异 | 可通过 PubShield（Pangram）实现 |
| 数据报告与合规 | 人工检查或未检查 | 可通过 PubShield（DataSeer）实现 |
两种集成路径
独立使用 Proofig AI。研究人员或管理人员以 PDF 或图像文件形式上传稿件。Proofig 自动扫描所有图表，用户使用内置的图像取证工具审查被标记的内容，并导出报告用于内部存档或投稿。这一路径可与任何现有的文本检查工作流程并行，无需改变当前流程。了解 Proofig AI 如何筛查科学图像。
以 PubShield 作为统一协调中心。对于希望为所有诚信检查设立单一提交入口的机构，PubShield 将图像完整性（Proofig AI）、文本相似度（iThenticate/Turnitin）、AI 生成文本检测（Pangram）、参考文献完整性（RefGuard）和数据合规准备（DataSeer）整合到同一个仪表盘中，消除了分散的登录和碎片化的工作流程。对于使用电子实验记录本（ELN）的机构，与 LabArchives 的合作有助于让诚信实践更贴近研究成果产生的源头。与 Aries Systems 的集成则为出版商实现了工作流程的互联互通。
需要注意的是，iThenticate、Pangram、DataSeer 和 RefGuard 是 PubShield 生态系统的合作伙伴。它们的功能存在于 PubShield 之中，并非独立的 Proofig AI 功能。
为什么投稿前筛查能保护研究人员和机构
机构在考虑图像筛查时，一个常见的顾虑是这是否意味着不信任研究人员。事实恰恰相反。投稿前筛查是一项质量保证服务，保护的是研究人员、他们的实验室以及机构本身。
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产生，也可能由合作者、学生或共享的数据处理流程引入。即使是坚守高伦理标准的研究人员，也可能因团队成员在不同阶段处理数据时引入的错误，而在不知情的情况下提交存在问题的图像。斯普利特大学（University of Split）的一项同行评议研究发现，研究人员在人工审查图表时仅发现了 32.4% 的图像重复，这表明缺乏辅助的人工审查存在局限。
投稿前筛查将潜在问题的发现时机从发表后（此时后果严重）提前到投稿前（此时问题可以低调且建设性地得到纠正）。《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。
对机构而言，好处还不止于此。全校范围的采用有助于支持负责任研究行为（RCR）项目，为科研诚信办公室提供可供审计的报告，并展现机构对科研质量的积极承诺。单点登录（SSO）和安全的许可选项，加上集中式仪表盘和数据分析，使机构部署切实可行。
第三方验证
Proofig AI 被知名出版商采用，为其能力提供了独立验证。《Science》系列期刊于 2024 年在全部六种期刊中采用了 Proofig AI，此前数月的试点证明了其在发表前检测问题图表的有效性。MDPI 签署了一项多年期协议，MDPI 技术创新负责人 Milos Cuculovic 指出：“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。”
给科研诚信负责人的实用后续步骤
对于正在为本机构评估图像完整性 QA 的管理人员，以下是一条具体的推进路径：
- 审核当前的 QA 体系。确定哪些诚信层（文本、图像、参考文献、AI 生成内容）已覆盖，哪些尚未覆盖。
- 评估空白。如果图像完整性尚未得到处理，您的机构将面临同样的风险，正是这些风险导致 20% 至 35% 的投稿在编辑阶段被标记。
- 评估独立使用与中心集成。确定将 Proofig AI 作为独立的图像完整性层能否满足您的需求，或者通过 PubShield 进行统一协调是否更适合您机构的工作流程。
- 在一个院系或研究生项目中试点。从投稿量较大的研究团队开始，评估工作流程的适配度，并审查所发现问题的类型。
- 纳入 RCR 培训。利用（匿名化的）筛查结果，向研究人员讲解常见的图表制作错误和良好实践。
现在引入图像完整性 QA，可以在风险更易预防的阶段，即投稿前而非发表后，应对风险。工具已经存在，集成路径切实可行。对机构而言，问题不再是是否要进行图像完整性筛查，而是能多快弥补这一空白。
