- 2 次围观
科学数据的完整性在生物医学研究中至关重要，在这一领域，图像常常作为实验观察与结论的主要证据。图像编辑技术和生成式人工智能（AI）的进步提高了视觉操纵的可及性与逼真性，使得通过人工审查进行检测日益具有挑战性。为赋能本实验室研究人员持续监测并维护科学严谨性与数据完整性，同时服务全球科学界，我们开发了 VrySure——一个易于部署的、由 AI 驱动的多任务平台，用于生物医学研究中的自动化图像完整性筛查。 VrySure 集成了四个检测模块：跨图像变换检测、图像内复制-移动检测、印迹图和凝胶图像中的拼接检测，以及 AI 生成图像检测。该系统能够识别可能被操纵的图像，并在可能的情况下通过边界框输出对可疑区域进行定位，以支持后续核查。 为支持开发与评估，我们通过整合公开的生物医学图像资源、人工整理的操纵示例以及由多种生成式 AI 系统生成的合成图像，构建了任务特异性数据集。我们采用区域级 F1 分数、召回率、精确率、假阴性率（FNR）和误发现率（FDR），在多种操纵类别上对 VrySure 进行了评估，并在预定义的基准测试协议下，将其性能与两个常用商业图像完整性筛查平台进行了比较。 在测试条件下，VrySure 在图像内复制-移动检测、拼接检测和 AI 生成图像检测方面取得了更高的 F1 分数和召回率、更低的 FNR，并保持了较低的 FDR；而在变换检测方面则表现出可比性能。除自动化筛查之外，VrySure 还被设计用于支持源数据比对和科学诚信调查中的基于证据的评估。通过将多种检测能力整合到统一且可扩展的工作流程中，VrySure 为提升生物医学研究中图像完整性筛查的效率与一致性提供了一个实用框架。
科学数据的完整性在生物医学研究中至关重要，在这一领域，图像往往作为实验观察与结论的主要证据。图像编辑技术和生成式人工智能（AI）的进步提高了视觉操纵的可及性与逼真性，使得通过人工审查进行检测日益具有挑战性。为使实验室研究人员能够持续监测并维护科学严谨性和数据完整性，同时服务全球科学界，我们开发了 VrySure——一个易于部署、由人工智能驱动的多任务平台，用于生物医学研究中的自动化图像完整性筛查。VrySure 集成了四个检测模块：跨图像变换检测、图像内复制—移动检测、印迹图和凝胶图中的拼接检测，以及 AI 生成图像检测。该系统能够识别潜在被操纵的图像，并在可能的情况下，通过边界框输出对可疑区域进行定位，以支持后续核查。为支持系统开发与评估，我们通过整合公开的生物医学图像资源、人工整理的操纵示例以及由多个生成式 AI 系统生成的合成图像，构建了任务特异性数据集。我们采用区域级 F1 分数、召回率、精确率、假阴性率（FNR）和错误发现率（FDR），在多种操纵类别上对 VrySure 进行了评估，并在预定义的基准协议下，将其性能与两个常用的商业图像完整性筛查平台进行了比较。在测试条件下，VrySure 在图像内复制—移动检测、拼接检测和 AI 生成图像检测方面取得了更高的 F1 分数和召回率、更低的 FNR，并保持了较低的 FDR；而在变换检测方面，其表现与对比平台相当。除自动化筛查外，VrySure 还被设计用于支持源数据比对和基于证据的科学诚信调查评估。通过将多种检测能力整合到统一且可扩展的工作流程中，VrySure 为提高生物医学研究中图像完整性筛查的效率与一致性提供了一个切实可行的框架。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.10.731492v1?rss=1
🏷️ 科研图像取证 学术不端检测 AI生成图像识别 图像操纵检测 生物医学图像 多任务学习