如何辨别科研图像是否由AI生成或篡改

在生成式人工智能快速发展的背景下，科研图像的真实性正面临前所未有的挑战。过去，图像造假往往需要借助专业图像编辑软件进行手工修改，而如今，基于扩散模型、生成对抗网络等技术，只需要一句自然语言描述，就能生成高度逼真的细胞结构、组织切片、电镜图甚至实验结果示意图。更值得警惕的是，一些人开始利用生成式AI对真实实验图像进行局部重绘、扩图、去噪或拼接，使篡改痕迹更加隐蔽。

本文将从科研场景出发，系统探讨如何辨别论文中的图像是否由AI生成或被AI修改，包括常见风险类型、视觉判断线索、自动化检测原理、人工核验方法以及审稿与出版环节的应对建议。

一、科研图像中的AI风险主要分为两类

从目前学术出版领域暴露的问题来看，AI图像风险可以划分为两大类。

1. 直接生成型

这类图像完全由生成式AI根据文本提示生成，而非来自真实实验。常见情形包括：使用生成式绘图工具制作细胞示意图、分子通路图、动物模型图或假想的实验结果图。由于生成模型在细节上仍可能产生不合理结构，例如细胞器比例异常、组织边界混乱、重复纹理过多，一旦经过放大或专业检查，往往能发现异常。

直接生成型图像不仅违反科研诚信，还可能因生成工具残留的水印、元数据或特征噪声而被快速识别。

2. 修饰篡改型

这类图像通常基于真实实验图像，但使用AI工具进行了局部重绘或增强，例如：

• 使用生成式扩图功能，在原始图像边缘凭空扩展出不存在的组织区域；
• 对Western Blot条带进行AI重绘，使其更清晰或更对称；
• 使用AI消除图像中的瑕疵、背景噪声或不符合预期的结果；
• 将不同实验条件下的图像局部进行生成式融合，掩盖拼接痕迹。

由于这类图像大部分内容仍来自真实数据，人工初审更难以发现，但AI检测模型可以通过学习真实科研图像的分布规律，发现局部生成痕迹。

二、视觉层面：人眼可以捕捉哪些异常

尽管生成式AI越来越逼真，但在科研图像中仍可能留下若干视觉线索。

1. 空间一致性问题

科研图像通常遵循固定的成像逻辑，例如组织切片应具有连续的层次结构，细胞边界应受组织和细胞外基质约束。生成式AI可能在局部产生空间错乱，如相邻细胞的细胞核方向不一致、组织边界突然中断、血管或导管结构分布不符合解剖逻辑。

2. 纹理与噪声异常

真实成像过程会产生自然噪声，如荧光成像中的散粒噪声、电镜中的颗粒噪声。生成式图像往往过平滑，或在局部出现重复纹理。放大后如果发现大量重复斑点、规则纹理块或明显的人工痕迹，应引起警惕。

3. 高倍率下的结构逻辑错误

生成模型在宏观上可以模拟组织或细胞外观，但在高倍率下容易出现结构逻辑错误，例如细胞器数量异常、染色质分布不符合周期规律、微绒毛长度和分布不自然等。专业领域的科研人员通过放大图像，往往能发现不符合自身实验经验的细节。

4. 文字、刻度与比例尺

科研图像中的比例尺、数字标注、箭头和符号经常是生成式AI的薄弱点。可能存在比例尺线条断裂、数字模糊或乱码、单位与其实际尺度不符等问题。如果论文中的图像标注与图像本身内容不匹配，应进一步核实原始数据。

三、技术层面：图像元数据与压缩痕迹分析

除了视觉层面，图像文件本身也携带大量可用于鉴别的信息。

1. 元数据检查

真实实验图像通常来自显微镜、相机或成像系统，文件元数据中会包含设备型号、拍摄时间、曝光参数、分辨率、软件版本等信息。如果一张所谓实验图像缺少这些元数据，或元数据显示其来源为图像生成工具、截图软件或在线平台，则存在较高风险。

2. 压缩与重采样痕迹

生成式图像往往经过多次保存、压缩和重采样，可能出现不自然的JPEG块效应、边缘伪影或色度偏移。通过分析图像的压缩历史，可以判断其是否经过非标准处理流程。

3. 局部频谱分析

对于使用生成式扩图或局部重绘的图像，原始区域和生成区域在频域特征上可能不一致。例如，原始显微图的高频成分分布较自然，而生成区域的高频信息可能过于规则或过于平滑。对图像分块进行频谱分析，可以发现局部异常。

四、自动化检测：科研图像AI识别模型如何工作

面对海量投稿和已发表论文，人工检查难以覆盖所有图像。近年来，面向科研图像的AI检测技术逐渐成熟，其核心思路是利用深度学习模型学习真实科研图像的统计特征，从而判断输入图像是否由生成式AI产生。

1. 基于海量科研图像训练的检测模型

与普通自然图像检测不同，科研图像检测模型通常使用大量真实科研图像进行训练，包括组织学切片、荧光显微图、电镜图、蛋白印迹图、流式细胞图等。模型可以从像素级别学习真实成像系统产生的噪声模式、纹理分布和结构逻辑。

当输入一张疑似AI生成的图像时，模型会比较其统计特征与真实科研图像分布之间的差异，并输出一个置信度分数。例如，0到100之间的分数表示该图像由AI生成的可能性，分数越高，风险越大。

2. 生成模型溯源

部分检测系统还可以进行生成模型溯源，即判断图像更可能来自扩散模型、生成对抗网络还是自回归模型。这类能力依赖对多类生成模型输出特征的学习。对于科研场景而言，溯源的意义不在于追究具体工具，而在于为后续人工审查提供额外证据。

3. 局部篡改检测

针对修饰篡改型图像，自动化检测系统通常采用局部窗口扫描策略。将图像划分为多个小块，分别计算每个图像块的真实性分数，并生成热力图。如果某个局部区域分数显著高于其他区域，可能意味着该区域经过生成式重绘或插入。

4. 检测结果不能单独作为定性依据

自动化检测的结果应当被理解为风险提示，而不是最终结论。由于生成模型不断演进，检测模型可能产生假阳性或假阴性。实际应用中，检测分数高值应触发人工复核、原始数据核查或作者问询。

五、流程层面：如何在投稿与审稿中嵌入图像审查

仅依靠技术手段还不够，科研机构、期刊和审稿人可以在工作流程中增加图像真实性核查环节。

1. 投稿阶段

期刊可以在投稿系统中要求作者提供原始未裁剪图像、成像参数和必要的原始数据说明。对于缺失原始数据或仅提供经过高度处理的图像，可要求补充材料。

2. 同行评审阶段

审稿人在评审时应关注图像是否存在不合理重复、局部过度平滑、比例尺与标注异常等情况。对于结构过于理想化、与已知组织形态差异过大的图像，应要求作者解释样本来源和成像过程。

3. 编辑与出版伦理阶段

如果自动化检测工具给出高置信度AI生成提示，编辑部可启动图像调查程序，包括要求作者提供更高分辨率的原始文件、设备记录、实验记录截图等。对无法提供合理来源的图像，应依据出版伦理规范处理。

4. 建立图像数据管理规范

研究机构可以要求实验人员对关键图像进行规范化保存，例如保留原始格式、记录曝光参数、保存未裁剪视野等。良好的数据管理不仅有助于科研复现，也为后续图像真实性核验提供基础。

六、示例：AI图像检测结果如何辅助人工判断

下面是一个简化示例，用于说明检测结果如何辅助科研图像审查。

假设一篇论文中包含一张免疫组化图像，经过自动化检测后得到以下信息：

图像文件：figure_3c.png
整体AI生成概率：0.87
局部区域风险：
  - 左上区域：0.21
  - 右上区域：0.19
  - 左下区域：0.15
  - 右下区域：0.93
元数据：缺失
来源推断：可能经过生成式局部重绘

该结果表明，图像右下区域存在较高的生成痕迹，且文件缺少原始成像元数据。编辑部可据此要求作者提供原始显微镜原始文件。如果作者无法提供，则图像真实性存疑，应进一步核查。

七、未来趋势：生成与检测将持续博弈

随着生成式AI能力持续增强，科研图像生成的逼真度会进一步提高。与此同时，检测技术也会不断演化，从单一的图像分类，扩展到多模态证据分析，例如结合实验条件、样本描述、统计数据和图像特征进行联合判断。

更长远来看，学术出版领域可能引入图像来源追踪机制，例如在成像设备端添加不可篡改的溯源信息，或在投稿系统中对图像进行标准化采集和指纹记录。这些措施可能无法完全杜绝造假，但可以显著提高造假成本，降低违规行为的发生率。

对于科研人员而言，最重要的是树立数据真实性的底线意识。AI可以作为科研辅助工具，但实验图像必须来自真实实验。只有技术手段、流程规范与科研诚信教育共同作用，才能更有效地应对AI图像带来的挑战。