AI生成圖片對科學證據(jù)體系的挑戰(zhàn)與治理響應

中圖分類號：G237.5 文獻標志碼：A

0 引言

近年來，生成式人工智能（GenerativeArtificialIntelligence，GAI）驅動的文生圖（Text-to-Image）技術，通過擴散模型（DiffusionModel）或生成-對抗網(wǎng)絡（Generative-AdversarialNetworks，GAN）實現(xiàn)自然語言到圖像的跨模態(tài)轉化，已成為數(shù)字內容創(chuàng)作的核心工具。該技術憑借“輸入提示詞-輸出像素圖”的自動化生成能力，在廣告創(chuàng)意、教育培訓、醫(yī)學圖像合成、科研數(shù)據(jù)可視化等領域展現(xiàn)出巨大潛力，但也因“超現(xiàn)實畫面”與“非現(xiàn)實來源”的本質矛盾引發(fā)多重風險。2023年“五角大樓爆炸”偽造圖像致美股震蕩、韓國AI換臉色情犯罪等案例，暴露出技術濫用對個人權利與社會安全的現(xiàn)實威脅。

在科研領域，文生圖技術既可用于填補觀測數(shù)據(jù)缺口、輔助超微結構模擬等正當用途，也存在被論文工廠批量偽造實驗圖像的風險。當前學術出版界面臨雙重困境：其一，AI生成的Westernblot條帶、組織切片等圖像逼真度超越人工識別極限，傳統(tǒng)重復性檢測手段失效；其二，科研倫理規(guī)范滯后于技術發(fā)展，使用邊界與披露標準尚未統(tǒng)一。據(jù)國際學術期刊聯(lián)盟統(tǒng)計，2024年，全球論文撤稿量同比增加 210% 。因AI圖像造假撤回的論文數(shù)量比重非常高，其中大鼠多辜丸解剖圖、錯誤骨骼結構醫(yī)學圖譜等典型案例，折射出偽造科學證據(jù)對學術生態(tài)破壞的指數(shù)級擴散危害。

目前，國內關于GAI文生圖的研究較少，內容主要集中在技術方法和應用探索。涉及可能的風險和挑戰(zhàn)探討更少，僅見幾篇對版權問題的探討[1-2]。Gu等[3]模擬生成虛假的科學圖片，提出AI生成圖片存在欺詐風險，科學界和出版界需要警惕。

本文基于學術誠信框架，聚焦以下核心問題：文生圖模型在科研領域有哪些應用？為何會成為偽造科學證據(jù)的作弊包？如何構建學術誠信體系以約束研究者、防止技術濫用？相關利益者的責任和義務有哪些？本文通過剖析技術濫用機理與治理路徑，旨在維護科學證據(jù)鏈完整性，為AI時代科研誠信建設提供理論參考。

1文生圖的科研應用現(xiàn)狀

1.1 正當性應用場合

文生圖技術在科研領域的正當性應用主要體現(xiàn)在數(shù)據(jù)可視化、數(shù)據(jù)增強及研究輔助三大場景，其價值在于提升科研效率與成果表達的完整性。

1.1.1數(shù)據(jù)可視化：流程圖/示意圖生成

在科研成果展示、跨學科協(xié)作及公眾科普場景中，文生圖技術可快速生成高精度流程圖、機理示意圖或效果模擬圖。例如，在醫(yī)學研究中，AI能夠將復雜病理機制轉化為直觀的動態(tài)示意圖，輔助醫(yī)患溝通；在工程領域，可根據(jù)文本描述自動生成設備結構分解圖，提升技術文檔的可理解性。

1.1.2數(shù)據(jù)增強：填補觀測缺口

在環(huán)境研究中，由于無法進入的區(qū)域、季節(jié)性變化或儀器故障，經常會遇到數(shù)據(jù)缺口。文生圖技術可以預測和填補這些缺口，為研究人員提供更完整的數(shù)據(jù)集。如在遙感領域，由于環(huán)境限制（如極地/深海）、設備故障或觀測周期斷裂等可能丟失圖像，而這些數(shù)據(jù)流的連續(xù)對于實時監(jiān)測環(huán)境變化非常寶貴，AI可通過學習歷史數(shù)據(jù)生成預測性圖像[4]

1.1.3研究輔助：物種識別圖庫構建

文生圖技術還可用于生物多樣性監(jiān)測，可以幫助建立各物種的多種姿勢（動物）、角度（植物、真菌）或環(huán)境的圖片庫，有助于從業(yè)者識別物種，擴展物種特征數(shù)據(jù)庫的覆蓋維度[5]

1.2學術濫用典型事件

1.2.1偽造實驗圖像（大鼠睪丸案例）

2024年2月，西安某醫(yī)院一篇題為《Cellularfunctions ofspermatogonial stem cells in relationto JAK/STATsignalingpathway》的論文發(fā)表3天后被撤回，其圖片存在明顯科學錯誤與荒誕內容。（1）實驗圖像失真：圖1展示的“大鼠精原干細胞分離培養(yǎng)圖”中，大鼠呈松鼠坐姿，擁有4個巨型辜丸（正常僅2個），培養(yǎng)皿中甚至出現(xiàn)“勺子挖肉丸”的卡通化場景。（2）信號通路圖解混亂：圖2的JAK-STAT通路被設計成電路板樣式，夾雜“筷子撈面條”線條和甜甜圈圖案。（3）圖3則呈現(xiàn)“香腸披薩配藍西紅柿”的荒誕畫面。（4）標簽虛構：所有圖片標注均含無意義新詞。調查證實圖像由Midjourney生成，完全脫離生物學事實。

1.2.2生成錯誤醫(yī)學圖譜（慢性痛風論文案例）

2024年4月，廣東某醫(yī)院《Assessment oftheefficacyofalkalinewater in conjunctionwithconventional medication for the treatment of chronicgoutyarthritis：A randomizedcontrolledstudy》因AI制圖漏洞被撤稿。主要有以下原因。（1）解剖結構錯誤：圖2顯示患者肢體骨骼數(shù)量異常（如小腿骨數(shù)量不符），標記點錯位。（2）標簽無邏輯：出現(xiàn)“chlsinkesteadatlvsnoctivkttygreuedis”等亂碼字符。作者辯解：通信作者稱因無力支付專業(yè)繪圖費用而使用AI生成圖像，但錯誤暴露其科學性缺失。該案例凸顯了AI生成醫(yī)學圖像的解剖學錯誤率高、標記可靠性差的通病[4]

以上事件只是被揭露出來的文生圖偽造科學證據(jù)的冰山一角，反映了研究者對科研誠信的忽視，也體現(xiàn)了出版機構、編輯面對生成式人工智能生產科研證據(jù)時的準備和應對不足。

1.3應用爭議焦點

文生圖技術在科研中的應用引發(fā)了廣泛爭議，其核心問題在于技術優(yōu)勢與使用者違背科研誠信之間的矛盾及文生圖技術與造假邊界模糊的問題等。

1.3.1技術中立性與使用非中立性的矛盾

雖然文生圖技術本身是中立的，能夠高效生成圖像，但其“零門檻”特性卻凸顯出技術工具與使用者行為之間的矛盾。技術優(yōu)勢為正當應用提供支持的同時，也為不法分子偽造科研證據(jù)提供了極大的便利條件，甚至使用者常以“技術缺陷”為借口（如慢性痛風論文作者稱“無力支付繪圖費”），回避主觀造假意圖的追責。

1.3.2科研可視化與證據(jù)造假的邊界模糊

文生圖在科研成果展示、數(shù)據(jù)可視化等方面具有顯著優(yōu)勢，但與此同時，正當使用可視化工具與偽造實驗數(shù)據(jù)之間的界限日益模糊。一旦生成圖像造假，便可能嚴重擾亂科學證據(jù)鏈，影響后續(xù)研究的正確性和可靠性。

2文生圖偽造科學證據(jù)的原因分析

在科學方法論中，科學證據(jù)指通過系統(tǒng)性、可檢驗的科學研究方法（如實驗、觀察、統(tǒng)計分析等）獲取的數(shù)據(jù)或結論，支持或反駁科學假說與理論。其本質是基于科學原理的客觀實證材料，具有客觀性、可重復性、可驗證性。基于實驗室研究產生的圖片數(shù)據(jù)是科學證據(jù)的重要組成部分?？茖W證據(jù)的產生需要實驗室孜孜不倦的工作和反復失敗一成功的積累。而AI技術使得虛假圖片可以脫離前期大量的實驗室工作而獨立存在。

文生圖技術的濫用不僅反映出其易用性，更揭示了科研生態(tài)和監(jiān)管體系中的深層缺陷?？傮w來看，其成因與挑戰(zhàn)可以歸納為以下3個層面。

2.1直接誘因

2.1. 1 生成便捷、成本低

文生圖的快速進步，使得圖片“創(chuàng)作”從一項需要專業(yè)技能的復雜操作，變成“零門檻”，新手炮制也易如反掌。傳統(tǒng)的科研圖片制作需要研究者掌握專業(yè)繪圖軟件以及扎實的學科知識，花費較多的時間，以準確呈現(xiàn)研究結果。然而，隨著 Stable Diffusion、MidJourney等開源模型的普及，科研圖像的生成變得極為簡單——使用者僅需輸入文本指令（如“高分辨率小鼠腦部切片熒光染色圖”），即可在數(shù)秒內獲得高度逼真的圖像，且支持反復調整細節(jié)，直至符合預期。這種“一鍵生成”模式徹底消解了技術壁壘，使得不具備專業(yè)繪圖能力的研究者也能輕松生成符合期刊要求的“完美”圖像[5]

此外，主要平臺（如主流大模型MidJourney和StableDiffusion）獲取成本極低。MidJourney基礎版僅需10美元/月（200張圖生成權限），StableDiffusion可免費本地部署，低成本特性使其成為論文工廠批量造假的“首選工具”。

2.1.2 識別困難

文生圖可以生成高度逼真的顯微鏡、放射學和地理圖像以及臨床試驗和流行病學數(shù)據(jù)圖像，幾乎可以完美模擬真實圖像特征，肉眼很難鑒別。Hartung等[的研究中，專家參與者無法可靠區(qū)分StableDiffusion生成的組織學圖像和真實圖片。Wang等[7]發(fā)現(xiàn)，生物醫(yī)學專家識別由GAN生成的Westernblot圖像和食管癌圖片，準確率幾乎等于隨機猜測。專家識別所依賴的生成圖片微小瑕疵，如Westernblot條帶和背景之間的邊界不夠平滑等問題，完全可以通過模型迭代優(yōu)化消除，未來偽造圖像更難被人工審查發(fā)現(xiàn)。

同時，文生圖生成過程從無到有，不存在傳統(tǒng)圖片編輯手段留下的重復性、修改痕跡或不自然痕跡。以穩(wěn)定擴散模型生成圖片為例，通過添加噪聲和去噪過程的多次迭代，模型最終獲得高度逼真的合成圖像輸出[8]。這使得基于重復檢查和修改痕跡的檢測方法顯得力不從心。即便是使用諸如Imagetwin、Proproofig、Forensically等工具，對比傳統(tǒng)圖片處理留下的特征，也無法有效識別這種“完美”偽造，導致檢測技術始終滯后于生成技術的更新[9]

此外，文生圖技術的迭代速度已遠超基于其原理的新檢測技術的研發(fā)進程，形成不對等的技術競賽。生成模型持續(xù)突破，而檢測工具需反向學習生成模型特征，故始終存在滯后性。這種“生成-檢測”的動態(tài)攻防博弈導致檢測復雜度升級，也大幅提升了科研誠信維護成本。

2.2 深層動因

2.2.1科研評價壓力

由于機構排名和科研人員學術地位、職稱、經費等壓力，機構和研究者對論文的數(shù)量和質量有了更高的期望，這種壓力催生了“發(fā)表或滅亡（publishorperish）”文化。這種文化環(huán)境，迫使少數(shù)科研人員陷入目標一手段背離的困境，出現(xiàn)了“不惜一切代價發(fā)表”的狀態(tài)——當通過正當科研路徑獲得學術成果力不從心時，會尋求“技術加持”，文生圖技術為他們提供了作弊工具包，利用AI生成圖片偽造科學證據(jù)，以滿足學術競爭的需求。

更值得注意的是，有相當多沒有能力或者沒有條件從事科研工作而渴求論文的人寄希望于論文工廠的“生產”，使得論文工廠的產業(yè)化運作進一步放大了“不惜一切代價發(fā)表”狀態(tài)。王佳靜等[指出，論文工廠采用的是批量生產論文的商業(yè)模式，同時涉及多種學術不端行為。其生產論文中的科學證據(jù)往往是少量實驗圖片疊加多種修改、拼接、移花接木、張冠李戴。而AI文生圖的便利性，能以極少的人力財力生成大量逼真的、不易檢測的虛假科學圖片，必然會成為論文工廠低成本獲利的手段，從而進一步加劇學術不端的泛濫。

2.2.2學術監(jiān)管漏洞

文生圖在科學研究中的應用和監(jiān)管是AI領域的關注點之一。然而，盡管科研管理機構、學術機構、出版機構都在積極探索有效的監(jiān)管模式和倫理準則，但受限于AI技術本身迅猛的發(fā)展速度，相關法規(guī)、制度的制定和完善不可能與技術發(fā)展同步進行，呈現(xiàn)明顯的滯后性。目前，尚未形成完善的規(guī)范和監(jiān)管體系。

現(xiàn)行科研倫理框架未明確AI生成圖像的使用邊界與披露標準。期刊界關于文生圖技術的政策比較混亂，部分視為“修飾工具”，部分歸為“偽造工具”，導致作者可利用政策灰色地帶；同時全球科研機構也缺乏針對AI生成圖像的審稿檢測流程，傳統(tǒng)誠信審查機制（如重復性檢查）已無法應對技術挑戰(zhàn)。

2.3核心挑戰(zhàn)

目前，文生圖技術的迅速迭代與檢測工具更新滯后之間形成了動態(tài)“攻防”局面。生成模型不斷優(yōu)化，圖像清晰度和細節(jié)表現(xiàn)日益接近真實，而檢測算法卻難以跟上這種快速變化，生成與檢測之間的對抗使科研誠信維護的難度不斷增加。全球在AI生成內容治理方面存在較大差異，各國在政策、法規(guī)和倫理標準上的不統(tǒng)一，使跨國學術交流和監(jiān)管協(xié)同面臨重大挑戰(zhàn)。這種規(guī)范與監(jiān)管的滯后，為蓄意違規(guī)者提供了可乘之機，使學術不端行為得以滋生和蔓延；也可能導致科研人員在無知或誤解的情況下，不了解AI的使用邊界，從而無意觸犯科研誠信，發(fā)生違規(guī)行為。

3分層治理體系構建

當前，政府、學術團體、出版機構均已意識到要規(guī)范生成式人工智能的使用，相關的法律、規(guī)范等正在陸續(xù)推出和更新中。

為保障文生圖生成圖片作為科學證據(jù)的可靠性，筆者認為應從技術、制度與主體3個層面開展全方位治理。

3.1技術治理層

3.1.1 技術標識的使用

政府部門已開始規(guī)制生成式AI圖片的使用，要求技術提供者在生成內容中嵌人可機讀的標識，如水印、元數(shù)據(jù)、出處信息和真實性加密等。

2024年3月13日，歐盟議會正式通過的《人工智能法（ArtificialIntelligenceAct）》建立了全球首個全面的AI監(jiān)管框架。其中強調了對生成式AI的監(jiān)管要求：技術提供者嵌入可機讀的AI生成標識系統(tǒng)，如水印、元數(shù)據(jù)識別、出處和真實性加密、日志記錄等；內容制作者需要承擔披露義務，需以清晰可見的方式向用戶告知內容的AI生成屬性[]

我國在AI治理方面也已出臺數(shù)個標準和規(guī)范。2025年9月，即將正式實施的《網(wǎng)絡安全技術人工智能生成合成內容標識方法》（GB45438-2025）[1明確規(guī)定，AI生成合成圖片向公眾傳播或在交互場景使用時，需添加顯性標識，即可被用戶明顯感知的標識。文生圖等圖片內容生成服務是顯性標識的典型應用場景之一。在AI生成合成內容文件數(shù)據(jù)中還需添加隱式標識，用于記錄生成合成內容相關信息，分為文件元數(shù)據(jù)隱式標識（包括生成合成屬性信息即AIGC、服務提供者的名稱或編碼及對該內容的唯一編號、內容傳播服務提供者的名稱或編碼及對該內容的唯一編號）和內容隱式標識（如內容中添加數(shù)字水?。?。該標準還給出了添加標識示例。

政府監(jiān)管在技術層面的要求體現(xiàn)了主動防控的治理思路，為科學證據(jù)體系構建了技術層面的防御保障。

3.1.2 檢測技術

現(xiàn)有的圖像檢測手段在面對從零生成、無傳統(tǒng)編輯痕跡的文生圖時顯得滯后。但應該意識到，計算機比人類的視覺更有優(yōu)勢，不會感到疲勞，運行得更快，而且不受大小、位置、方向、重疊、部分復制、分辨率等多種因素的影響，所以AI工具在發(fā)現(xiàn)有問題的圖像方面比人類更優(yōu)秀。

筆者認為未來應借助頻譜分析、區(qū)塊鏈存證等關鍵技術，實現(xiàn)對圖像生成全流程的溯源和驗證。頻譜分析可通過檢測圖像中細微的噪聲和邊界特征，識別AI生成的痕跡；區(qū)塊鏈存證則能夠為每一幅生成圖片建立不可篡改的數(shù)字指紋，確保圖像信息的真實性和可追溯性。

3.2 制度規(guī)范層

3.2.1 出版方政策

出版機構和學術期刊在科研成果傳播中扮演著關鍵角色，需對AI生成圖片的使用進行嚴格規(guī)定。當前部分期刊已明確要求：生成式AI僅可用于推薦統(tǒng)計圖、輔助制圖，而實驗類圖像和封面、圖形摘要等核心圖片則嚴禁使用。

中華醫(yī)學會雜志社規(guī)定：生成式AI可用于推薦合適的統(tǒng)計圖表類型，輔助制圖，但不能用于創(chuàng)建、改變或操縱原始研究數(shù)據(jù)、研究過程及結果等，包括但不限于數(shù)據(jù)圖、病理圖、電泳圖、影像圖、照片圖、基因分析圖譜、實驗結果描記圖、森林圖、手術音視頻等資料[13]

愛思唯爾不允許使用AI創(chuàng)建或更改圖片，也不允許用于制作期刊封面或圖形摘要插圖，但其允許在研究設計或研究方法中使用AI工具，比如在AI輔助成像方法中生成或解釋基礎研究數(shù)據(jù)，但必須在方法部分以可重復的方式描述其使用，并且要求作者提供用于創(chuàng)建最終版本的圖像和/或復合原始圖像的AI調整前版本。Wiley、Springer Nature也禁止使用AI生成圖像。Inam等[14]調查了SCImago排名前25位的頂級心臟病學和心血管醫(yī)學期刊對AI的態(tài)度，盡管它們都允許在內容生成中使用AI，但都禁止使用AI生成圖片，也不允許將AI工具列為作者。以上為我國未來完善出版政策提供了有益借鑒。

3.2.2學術團體規(guī)范

學術團體從科研倫理角度出發(fā)，應對AI生成圖片的使用提出明確規(guī)范，其要求主要體現(xiàn)在以下兩個方面。信息披露：要求研究者全面、透明地披露底層數(shù)據(jù)集、數(shù)據(jù)來源、數(shù)據(jù)處理方法以及相關知識產權情況，確保圖像生成過程及使用均符合科研誠信要求；責任審核：學術團體應建立審核機制，對生成的圖片進行驗證，確保圖像內容的可靠性和有效性由研究者負責，避免因技術濫用而引發(fā)科研不端問題。例如，2024年9月26日中信所發(fā)布的《學術出版中的AIGC使用邊界指南2.0》[15]對圖像生成規(guī)定了詳細使用標準，新增了對圖像格式處理和優(yōu)化的規(guī)定，“不可接受”增強、模糊、移動、刪除或引入圖像中的特定特征；“可以接受”亮度、對比度或色彩平衡的調整及添加圖例和圖像標注；禁止對實驗類圖像直接生成封面藝術必須經期刊編輯審批以及統(tǒng)計圖格式處理等，同時比一年前的1.0版本新增了相關案例分析，有利于相關人員加深理解。國際醫(yī)學期刊編輯委員會（ICMJE）發(fā)布的指南也有類似要求，AI不能用于生成圖片[16] O

3.3主體責任層

3.3.1研究機構與作者責任

作為科研活動的直接實施者，研究機構和作者在保障科研誠信中負有重要責任。研究機構需注重人員的科研誠信建設。在科學實踐和方法的教育和指導中包含關于在研究中負責任地使用AI生成證據(jù)以及可能發(fā)生的倫理問題的討論。在研究開展階段，作者需謹記生成式AI圖片的使用邊界，凡是需要有真實開展的實驗研究才能獲得的數(shù)據(jù)，不可以由AI直接生成。統(tǒng)計圖表需要確認擬投稿期刊的要求。如確需使用AI生成，且獲得期刊允許，則在生成圖片中，作者必須保持參與（即in-the-loop）和評估生成內容的質量。

在投稿過程中，作者需牢記自己作為研究主體的責任，對AI生成的圖片在論文的方法或致謝部分公開、透明、詳細地描述所用技術/模型、算法和設置、使用日期等;如圖片經過人工修正，需向出版機構提供人工修正的版本對比（如原始AI生成圖vs.專家修改后圖）。示例如下：

聲明：在本文的寫作過程中，作者于[使用時間]使用了[文生圖軟件名稱（版本號）]通過[提示詞]來制作圖片[圖片號]。使用此服務后，作者根據(jù)需要對內容進行了審查，并對其內容承擔全部責任。

在論文發(fā)表/出版后，按照出版機構的要求，作者應將AI生成圖片連同其他需要提交的材料一起提交、存檔，存放在存儲庫或論文提供的鏈接中。

3.3.2 出版機構及編輯責任

出版機構和期刊編輯作為科研成果的把關者，同樣承擔維護科研誠信的重要職責。出版機構應制訂本機構出版物對圖片使用的政策并及時調整，包括明確的使用界限和披露要求；規(guī)范圖像修改要求及原始數(shù)據(jù)的保存提交。

編輯應及時進行自我學習和提升，尤其是關于文生圖原理、特征和最新動態(tài)，同時盡快熟悉文生圖檢測軟件，以提高對學術不端的敏感性。隨著計算機科學的進步，AI偵查軟件也會迅速更新迭代。編輯需緊跟前沿，了解相關動向，及時學習AI偵查軟件并應用于工作實際。

編輯還應熟悉所處理稿件的學科圖片特征，提高審圖能力[17]，從圖片中的邏輯錯誤、不合常理之處發(fā)現(xiàn)端倪。同時，還需了解相關法律法規(guī)及學術機構政策，對所在出版機構的政策也應及時掌握并向作者準確傳達。

主體責任層次的治理內容旨在建立起全流程、全環(huán)節(jié)的科研誠信防線，只有通過研究機構、作者與出版機構及編輯的齊抓共管，才能有效防止文生圖技術引發(fā)的學術不端行為，推動科學研究的正向發(fā)展。

4結語

隨著AI技術的快速進步，文生圖在各領域有了廣泛應用。但其在科研活動中可能帶來偽造科學證據(jù)的風險。這是因為其生成圖像不依賴使用者專業(yè)的繪圖技能，使用成本低，生成圖片逼真，檢測手段尚未能同步跟進。“發(fā)表或滅亡”科研環(huán)境催生了濫用風險。當下，政府、學術團體、出版機構已經從技術標準、學術規(guī)范、出版政策等多個層面進行分層綜合治理和規(guī)制。本文系統(tǒng)梳理了相關規(guī)定及進展，并從科研機構及作者、出版機構及編輯角度分別闡釋了各自的責任和義務。希望引起出版界對文生圖技術的關注和重視，警惕學術不端風險，提早應對。

參考文獻

[1]呂丹丹.控制論視域下AI文生圖版權侵權治理[J].科技傳播，2025（2）：146-153.

[2]鄭海味，張偉君.人工智能生成圖片中用戶的獨創(chuàng)性貢獻：以“AI文生圖”著作權案判決為例[J].中國出版，2024（12）：52-57.

[3]GUJ，WANGX，LIC，etal.AI-enabled imagefraudinscientific publications[J].Patterns（NY），2O22（7）：100511.

[4]RILLIG MC，MANSOURI，HEMPEL S，et al.HowwidespreaduseofgenerativeAI forimagesandvideocanaffect the environment and the science of ecology[J].Ecol Lett，2024（3） ：e14397.

[5]DAWN A. Giant rat penis redux：AI - generateddiagram，errorslead to retraction[EB/OL].（2O24-07-22）[2025-04-02].https：//retractionwatch.com/2024/07/22/giant- rat- penis -redux -ai- generated -diagram-errors-lead-to-retraction/.

[6]HARTUNG J，REUTER S，KULOW VA，et al.Expertsfail to reliably detect AI-generated histologicaldata[J].Sci Rep，2024（1） ：28677.

[7]WANG LS，ZHOU LY，YANG WX，et al. Deepfakes ：anewthreattoimagefabricationinscientificpublications[J].Patterns（NY），2022（5）：100509.

[8]KOOHI-MOGHADAM M，BAE KT.Generative AIin medical imaging： Applications，challenges，and ethics[J].JMed Syst，2023（1）：94.

[9]何學令，何琳，別明江，等.辨別生物醫(yī)學論文圖片真?zhèn)蔚墓ぞ吲c審讀方法探索[J].編輯學報，2023（5）：564-569.

[10]王佳靜，王蒲生.論文作坊的特點與甄別方法[J].中國科技期刊研究，2022（8）：1019-1025.

[11]知產力.歐盟通過全球首部AI監(jiān)管法律[EB/OL].（2024-03-15）[2025-04-02]. https：//news.qq.com/rain/a/20240315A08C0200.

[12]國家市場監(jiān)督管理總局，國家標準化管理委員會.GB45438—2025《網(wǎng)絡安全技術人工智能生成合成內容標識方法》[EB/OL].（2025-02-28）[2025-04-02].https：//openstd.samr.gov.cn/bzgk/std/newGbInfohcnoΣ=Σ F32EA2A561F1886CD8D606513512D547.

[13]中華醫(yī)學會雜志社.中華醫(yī)學會雜志社關于在論文寫作和評審過程中使用生成式人工智能技術的有關規(guī)定[EB/OL].（2024-01-08）[2025-04-02].https：//stm. castscs.org. cn/yw/40598. jhtml.

[14]INAM M，SHEIKH S，MINHAS AMK，et al.Areview of top cardiology and cardiovascular medicinejournal guidelinesregarding theuse ofgenerativeartificial intelligence tools in scientific writing[J].CurrProbl Cardiol，2024（3）：102387.

[15]中國科學技術信息研究所.學術出版中的AIGC使用邊界指南2.0[EB/OL].（2024-09-26）[2025-04-02]. https：//www. hf. cas. cn/zncs/jsc/xfjs/202411/P020241106560506515364. pdf.

[16]BOCKTING CL，VAN DIS EM，VAN ROOIJ R，etal.Living guidelines for generative AI：Why scientistsmust oversee its use[J].Nature，2023（7984）：693-696.

[17]譚貝加.《Journal ofCellBiology》論文圖片政策對我國科技期刊的啟示[J].科技與出版，2019（7）：89-93.

（編輯 李春燕）

Challenge and governance response of AI-generated images to scientific evidence system multi-dimensional investigation based on the framework of academic integrity

XU Jing'，CHEN Ling2，QIN Yan3 *

（1. Journal Editorial Department， Stomatology Hospital Afiliated to Nanjing Medical University， Nanjing 21O029，China; 2.Editorial Department of Journal of China

Pharmaceutical University， Nanjing 21OoO9， China; 3.Editorial Department， Chinese Journal of Surgical Oncology，Jiangsu Health Vocational College，Nanjing 21OO29，China）

Abstract：Text-to-image models can generate images fromnatural languagequicklyand realistically.Synthesizedor generated scientificilusions havebeena weak link in scientific integrity.In thiscontext，weanalyze thepotential motivations.This paper also examine currnt governance initiatives across three dimensions：government-led technical watermarking regulations，academic communities’eforts to enforce transparent disclosure and responsible usage and publishing institutions’boundary-seting frameworks forethical application.Theresponsibilities and obligations of key stakeholders，including research institutions and authors，publishing bodies and editors areclearlydefined.This paper hopethat both thescientificand publishing communitieswill payatention tothe scientific integrityofAI-generated images.

Key words： Generated AI; text-to-image; scientific evidence; scientific integrity; academic misconduct