医学SCI发表观察 

一、现在的查图工具能查什么

第一类是重复检测：组内检测比对手稿内部所有子图像，用边界框和置信度分数标出重复；全网检测比对上亿张已发表科学图像，通过DOI、PubMed、PMC元数据追踪来源。裁剪、旋转、调色、镜像都绕不过去。

第二类是伪造检测：识别拼接接缝（尤其是Western blot和凝胶电泳）、识别复制-移动伪造（克隆图像局部隐藏数据）、给出置信度分数。第三类是新兴的AI生成图像检测，正在被越来越多的出版商纳入流程。

图1：图像检测工具的三类能力

二、AI生成图像的特殊风险

与前两类不同，AI生成图像可能并不重复、也不拼接，看起来“干净”，但它不对应任何真实实验。一旦被识别，性质上属于伪造数据，后果比图片复用严重得多——前者可能是疏漏，后者是诚信问题。

同时需要注意：AI润色与AIGC筛查也在收紧。纯AI润色的稿件面临筛查风险，部分单位已要求润色服务可提供合规证明。

三、被质疑时会要你拿出什么

• 未处理的原始图像，含采集时间与设备信息。
• 实验记录本与原始数据文件，能对应到图表编号。
• 伦理批准文件与知情同意材料。
• 图像处理步骤说明：裁剪、拼接、调整必须在方法部分写明。

图2：图像合规自查清单

四、投稿前的图像合规清单

• 所有实验图像用查重工具过一遍，保存PDF报告。
• 原始图按项目归档，命名与图表编号一一对应。
• 方法部分写明图像处理方式与软件，包括AI工具的使用与否。
• 不使用任何AI生成的图像充当实验数据。
• 同一实验不同视野、不同批次在图注中明确标注。

五、读者最关心的三个问题

六、图像真实性自查清单

• 所有图像保留原始拍摄/采集文件。
• 明确标注哪些环节用了AI，哪些没有。
• 不生成或篡改实验数据类图像。
• 投稿前用图像查重工具自检一遍。
• 实验记录本与原始文件同步归档。
• 高IF期刊对图像真实性审查更严，重点排查。

七、一个容易被忽略的细节

AI生成图的识别不只看“像不像”。工具会分析图像的频域特征、像素统计和生成模型的指纹，很多AI图在频谱上和真实拍摄图差异明显。靠肉眼调色掩盖，在工具面前基本无效。

还有一类风险：用AI“修复”或“增强”真实实验图，改变原始像素信息。这种介于真实与合成之间的操作，最容易在撤稿调查时成为争议焦点。原则很朴素：实验图像不改动原始信息。

八、AI用图的边界清单

安全的用法：用AI优化图表排版、标注、配色；用AI生成示意图解释方法流程。危险的用法：用AI生成或篡改实验数据类图像、显微/电泳等真实结果图冒充原始数据。

边界就一句话：AI可以处理“呈现”，不能创造“事实”。实验图像一旦动过原始像素信息，在撤稿调查时几乎必然成为争议焦点。