Deepfakes：学术出版物图像造假的新幽灵

TL;DR

随着生成式人工智能（Generative AI）的门槛降至普通个人电脑级别，学术造假正从传统的“图片拼接、旋转、裁剪”进化为“完全合成”。厦门大学王连生教授团队警告称，利用 GAN（生成对抗网络） 制造的虚假实验图（如 Western blot）已能轻松欺骗医学专家，现有查重机制正在失效。

痛点深挖：传统造假检测的“滑铁卢”

在过去十年中，学术诚信检查的核心逻辑是寻找“重复”。无论是手工比对还是自动化工具，目标都是发现同一张图或其中某个条带（Band）是否在多篇论文中被由于平移、旋转或修图后重复使用（Figure Element Reuse）。

然而，Deepfake（深度伪造） 彻底改变了游戏规则：

1. 无源性：图像是由模型从随机噪声中生成的，数据库中不存在“原图”，因此基于指纹比对的查重工具完全丧失目标。
2. 可定制性：可以通过精准控制生成具有特定实验特征（如特定的蛋白表达强度或病理病灶）的图像，满足造假者的所谓“预期结果”。

核心机制：当 GAN 举起手术刀

作者通过两个极具代表性的案例，展示了造假者如何几乎“零成本”地生成虚假科研数据。

案例 1：无中生有的 Western blot

研究人员抓取了 3000 张真实的 Western blot 图像作为训练集，训练了一个包含 15 层判别器和 34 层生成器的 GAN 架构。

• 结果：生成的条带具有自然的明暗过渡、背景噪声和伪影，肉眼几乎无法辨别。

图 1：GAN 训练流程(A)及 Western blot 随训练轮数生成的演变(B)

案例 2：跨域转换的癌症病理

相比完全合成，CycleGAN（循环一致性对抗网络） 的威胁更大。它能执行“图像翻译”任务，将一张健康的胃镜图转换为看起来患有食道癌的病理性图像。这种方法保留了原始图像的基本解剖结构，使得造假更具隐蔽性和欺骗性。

图 2：GAN 生成的虚假条带(C)与 CycleGAN 修改后的食道癌病变图(D)

攻防博弈：我们还能识别真相吗？

为了验证人类专家的鉴别能力，作者邀请了三位经验丰富的生物医学专家。结果令人沮丧：两位专家的准确率在随机水平徘徊（10% 和 30%）。唯一一位表现稍好的专家（60%）是捕捉到了合成条带边缘与背景衔接处的细微不平滑，而这种缺陷在算法迭代中极易被修复。

技术反制手段：

1. 频域分析 (Frequency Domain)：GAN 在进行上采样（Upsampling）时，往往会在频谱图中留下所谓的“棋盘效应”（Checkerboard Effect）。虽然空间域（肉眼）看不出来，但在高频特征中这些人工痕迹无所遁形。
2. CNN 取证器：作者训练了一个 CNN 分类器，在特定测试集上达到了 0.8542 的 AUC。

图 3：合成图像在频域中表现出明显不同于真实图像的高频伪迹(E)

深度洞察：学术界的下一场挑战

尽管目前可以通过算法检出部分 Deepfake，但作者发出了严肃的警告：这是一款“军备竞赛”。2020 年 Deepfake Detection Challenge 的冠军算法分数也仅为 0.42 左右（Log Loss），意味着面对进化中的 AI，现有的防御极其脆弱。

正如 Pandroa's box（潘多拉魔盒）已经开启，学术评估体系不能再仅仅依赖对图像本身的静态审查。未来的学术出版可能需要：

• 原始数据（Raw Data）强制存档：不仅提供裁剪后的美图，还要提供原始胶片扫描件和仪器元数据。
• 水印与可追溯技术：在设备拍摄瞬间通过算法嵌入不可篡改的信任戳。

总结： 学术诚信不仅仅是研究者的自觉，更需要一套能跑在 AI 之前的技术防御盾牌。当图片不再“所见即所得”，科学的基石——可重复性——正在面临前所未有的考验。