ARTICLE · 1012574

投稿指南 | AI时代的科研红线:每一张图、每一组数据都会被重新检查!连不经意间的习惯、走神都可能会成为攻击编制、毕业证的刀!

发布时间：2026-09-16 03:07:37 最近访问：2026-09-16 03:07:36

不能碰的科研红线

写在前面

论文可以修改，实验可以重做，结论可以被推翻，但科研诚信一旦失守，往往很难重来。随着人工智能、图像取证和跨论文比对技术的发展，图片重复、异常拼接、局部擦除、旋转翻转和跨文章复用正变得越来越容易被筛查。打假的成本正在降低、覆盖正在扩大，任何人都不应抱有侥幸心理。

一、先分清科研红线：什么可以做，什么绝对不能做

科研图片可以进行必要的技术处理，但只有一个前提：处理后的图片必须忠实反映原始数据，不能改变读者对实验结果的判断。

可以做，但必须规范

1.对整张图片统一调整亮度、对比度或色彩平衡，但不能遮蔽或删除信息。

2.裁剪与研究重点无关的边缘区域，但不能裁掉影响判断的对照、背景或异常信号。

3.组合不同时间、视野或胶片来源的图片时，用分隔线、空隙和图注明确标识。

4.调整尺寸、分辨率和版式；使用伪彩色时说明色标、范围和映射方法。

5.使用经过验证的算法去噪、分割、重建或定量，并报告软件、版本、参数和处理流程。

6.保留未经处理的原始文件、仪器元数据和所有中间版本。

绝对不能做

1.编造不存在的实验数据，或为了得到阳性结果删除不符合预期的样本。

2.复制、移动、旋转、翻转或重复使用条带、细胞、菌落和组织区域。

3.把不同实验的条带无痕拼接，伪装成同一次连续实验。

4.删除杂点、杂带、阴性信号或不理想区域；局部增强目标、局部压暗背景。

5.使用生成式AI补出细胞、条带、组织结构或实验现象。

6.修改坐标轴、单位、分组名称或样本编号制造差异。

7.把同一张图片重新标记为不同样本、处理组或实验批次。

8.只报告“最好看”的一次实验，隐瞒失败、相反结果或不利数据。

一条简单的判断标准

如果把处理方式完整公开后，读者会改变对结果的理解，那么这种处理就不能被隐藏。

二、“只是拼了一下图”，可能已经越过红线

Western blot、电泳图、显微图片和组织切片经常需要组合排版，但“允许组合”不等于“允许无痕拼接”。如果条带来自不同胶、曝光、批次或时间，必须明确标出拼接位置，在图注中说明，并保留各部分完整原图及实验记录。用清晰分隔线或空隙标出拼接位置；图注说明图片来自不同实验、胶片、视野或曝光；保留完整原图、泳道信息、实验日期和曝光参数；确认被比较部分的实验条件具有可比性；不得把组合后的图片表述为一次连续实验。复制条带、克隆局部区域、无痕合并并制造不存在的结果，可能构成数据篡改或编造。排版需要不能凌驾于科研记录的真实性之上。

三、没有造假，也可能因为粗心造成严重问题

有些异常最初只是文件混淆、版本管理失控或排版失误。但论文发表后，读者无法仅凭图片判断它是故意造假还是无意错误。即使没有欺骗动机，无意差错也可能引发质疑、更正、撤稿或机构调查。如：

1.把对照组和实验组位置放反，或把同一张图误贴到两个面板；

2.文件名相似，选错样本、批次或预实验图片；

3.移动图片后没有同步移动标签、比例尺或图注；

4.不同放大倍数、曝光参数或时间点混在一起；

5.正文、统计表、图中数字更新不同步；

6.多人协作时各自使用不同版本；

7.格式转换和压缩产生色阶、边缘或块状伪影；

8.PowerPoint/排版软件只做了视觉裁剪，底层仍保留错误或敏感原图。

建议实行“四层文件制度”

①仪器直接输出的原始文件；②只做必要处理的分析文件；③保留处理步骤的制图文件；④用于投稿的最终导出文件。最终图片应由未参与制作的第二人逐项核对样本、分组、图注、统计值、比例尺和原始文件。

需要注意：检测软件发现异常，不等于自动认定造假。压缩和排版也可能产生伪影。是否属于科研不端，需要结合原始数据、实验背景、处理记录和行为意图进一步核查。最好的保护不是“让图片看不出问题”，而是保存能够解释问题的完整证据链。

四、设备自带AI修图，科研图片还能不能投稿？

部分手机、相机、显微镜、扫描仪和医学影像设备会自动执行降噪、HDR、多帧融合、锐化、超分辨率、背景清理、自动分割甚至生成式补全。普通摄影追求“好看”，科研图像追求的是“真实、可解释、可追溯”。

第一类：生成式AI创造或改变科研图片

这是风险最高的一类，许多出版机构明确禁止。不得让AI增强、遮挡、移动、删除或添加能够影响科学解释的特征。AI生成的示意图、封面图和研究数据图也可能适用不同规则，必须逐刊核对。

第二类：AI算法本身属于研究方法

医学影像重建、细胞分割、病理识别、去噪或超分辨率算法如果属于研究设计的一部分，并非当然禁止，但通常必须可复现、可验证并充分披露。如：

1.报告工具名称、开发者、版本、参数和人工干预方式；

2.保留算法处理前的原始数据；

3.验证算法不会制造、删除或改变关键特征；

4.说明输入、输出、训练或校准数据及质量控制；

5.以目标期刊最新作者指南和编辑书面意见为准。

第三类：设备默认开启，研究人员可能并不知情

1.采集前检查是否开启智能增强、自动美化、背景清理或生成式补全；

2.确认能否同时保存RAW、TIFF或其他未经增强的原始文件；

3.记录多帧融合、自动曝光、色彩映射和软件版本；

4.保证同一研究所有样本使用一致的采集设置；

5.软件或固件升级后，重新确认算法和默认参数是否变化。

重要提醒

如果设备无法关闭AI增强，也无法保存未经处理的图像，它可能不适合承担关键科研证据的采集任务。期刊接受度不是统一答案，必须区分“生成内容”“常规处理”和“研究方法”，并核对具体期刊的最新政策。

五、实验外包了，数据责任没有外包

测序、组学、动物实验、病理检测、Western blot和统计分析等可以委托第三方完成，但论文作者仍需对数据的真实性、完整性和可追溯性负责。公司提供一张结果图或一份Excel，并不足以证明整个实验过程可靠。如：

1.样本交接单、编码表、实验日期、地点和操作批次；

2.详细实验方案，以及任何偏离方案的记录；

3.仪器型号、软件版本、关键参数和操作人员信息；

4.试剂品牌、货号、批号和有效期；

5.阳性、阴性、空白对照及所有技术重复；

6.仪器原始输出、元数据、完整原图和分析脚本；

7.失败实验、重做记录、排除理由和质控报告；

8.数据保存期限、备份方式、审计权限和合同责任条款。

论文署名意味着作者承担责任。出现问题时，不能仅以“这是外包公司给我们的”作为解释。关键数据应在合同和验收阶段就明确原始文件、质控标准和复核权限。

六、公司确实做了实验，结果仍可能不可靠

“数据是否真实”和“技术是否合格”是两个问题。外包公司可能真实实施了实验，但由于人员经验不足、条件控制不稳或成像能力有限等限制，仍然产生假阴性、假阳性或不可重复结果。如：

1.曝光过短、焦平面错误、显微镜参数不当；

2.抗体浓度、孵育、转膜、洗膜或显色条件不合适；

3.只拍摄没有信号的视野，或错过弱阳性窗口；

4.图像压缩、灰度损失或设备动态范围不足；

5.操作人员不会识别弱阳性或非典型阳性；

6.没有合格阳性对照，无法区分“样本阴性”和“实验失败”；

7结果与预期不符后，没有启动技术排查和复做流程。

外包验收不能只看“有没有结果”

一家靠谱的公司，很重要！选择服务商时，应考察同类样本经验、方法学验证、操作人员稳定性、盲样和平行样考核、原始文件交付、阴性结果排查流程及第三方复核能力。关键结论应设置已知阳性、已知阴性和重复样本，必要时由第二家机构独立验证。

七、AI时代，溯源才是最好的保护

AI的出现显著降低了异常筛查门槛。图像重复、局部克隆、翻转旋转、背景纹理相似、异常拼接、跨论文复用以及图表与原始数据不一致，都可能进入自动检查范围。期刊、机构、同行和第三方平台也可能在发表多年后重新检查历史论文。

今天没有被发现，不等于以后不会被发现。图片可以删除、文件名可以修改，但仪器元数据、时间线、共同作者记录、外包资料、数据库存档和不同版本之间往往会留下交叉证据。

经得起检查的科研证据链

原始数据始终保留，处理过程完整记录，异常结果如实呈现，每一步都能说明，每一个结论都能追溯。

结语：对科研红线保持敬畏，也是对自己最好的保护

科研允许失败，允许没有显著性，允许结果与预期相反，也允许研究者承认方法存在局限。科研唯一不能接受的，是为了一个“漂亮结果”，制造不存在的数据、删除不想看到的事实，或者把无法确认的结果包装成确定结论。

对于无意发生的图片混淆和排版错误，也不能用“不是故意的”放松要求。严谨不是投稿前的一次检查，而应贯穿样本接收、实验操作、数据分析、图片制作、多人协作和论文发表的全过程。

我们正在准备一款新的科研校正工具

接下来，我们即将开放一款面向科研文章的图文校正与联网比对软件，辅助检查文章内部的图片重复、标签错位、疑似拼接、版本混淆和图文不一致，并在合规授权与数据安全的前提下开展联网相似性比对与来源追溯，致力于帮助研究者在投稿前发现风险、纠正无意错误并保存核查证据。

造假需要成本，面对科研诚信，最可靠的从来不是侥幸，而是严谨、透明和可追溯。

说明：本文用于科研诚信教育，不构成对任何具体论文、机构或个人的科研不端认定。期刊政策会更新，投稿前请核对目标期刊最新版作者指南。

END

⬆️ 长按关注，获取更多科研工具和生信干货！