JMIR：24名博士级专家辨别AI伪造生物医学图像准确率仅50.5%，最佳商用检测器AUC 0.790

104张图、24位专家，正确率停在50.5%

趋势前瞻 × 医疗数据从业者 ｜ 事实报道 × 药企研发负责人 ｜ 行业观察

2026年10月2日，Journal of Medical Internet Research在线刊出一项诊断研究，PMID 42826371，DOI 10.2196/100710。研究用了104张western blot与皮下异种移植瘤图像，由高保真生成模型造出足以改写研究结论的伪造图，交给24名博士级专家评审分辨真伪，平均准确率只有50.5%（SD 6.9%）。作者据此判断，现有科研诚信保障存在关键漏洞。

获取路径要交代一句：jmir.org文章页反爬返回空响应，摘要与元数据经Europe PMC的REST接口取得。可依据的信息止于摘要，本文出现的每个数字都来自这里。

开场：104张图里，专家猜对了一半

实验的形态先说清楚。判别对象不是海量图像，而是104张western blot与皮下异种移植瘤图像，参与者是24名博士级专家评审。这两类图在转化研究中属于基础证据：western blot给出蛋白表达的相对量，异种移植瘤图给出瘤体大小与形态的直观结果，许多结论直接挂在它们上面。

从数据链条看位置更清楚。图像一旦进入实验记录、论文图版或注册申报资料，下游环节默认它是采集所得，很少有人倒查生成过程。信任原本建立在采集设备与实验流程之上，生成模型把这套前提取消掉了。

对药企研发负责人来说，事实层面的含义并不抽象。内部项目的读片结论、合作单位提交的实验结果、作为支撑材料的公开文献，三条输入源共用同一套默认信任；其中任何一条失真，追溯成本都由自己承担。

50.5%：这个数字为什么和抛硬币差不多

50.5%要和随机水平放在一起读。二选一任务随机猜测的期望值就在50%附近，平均值落在50.5%，另有SD 6.9%标注离散程度。摘要没有提供能进一步拆解的量：敏感度、特异度、P值均未获取，也未说明这一SD之外是否还有其他统计口径。所以能说的只是整体平均值贴近随机，不能推断专家是普遍看不出，还是有人看出、有人系统性判反。

参与者的资质让结果更有分量。摘要写明是24名博士级专家评审，不是学生或众包标注员。在这件事上，领域训练没有转化为判别能力。

样本口径也留着缺口。104张图中伪造图与真实图的比例未获取，看不出任务是均衡设计还是某一类占多数，也就无法据此推算判别的先验概率。这一点不澄清，50.5%只能整体引用，不能拆开细读。

最好的检测器也只有0.790：0.695到0.885说明什么

机器这边的数要分开看。表现最好的商用AI检测器AUC 0.790，这是本次参评检测器中的最优值，不是这一类产品的普遍水平；参评检测器的名称与数量均未获取，不能写成某个工具的实测排名。

0.790后面的95% CI是0.695至0.885。这个区间不算窄，下沿0.695已接近参考价值有限的一端。宽度本身提示两种可能：样本量有限，或不同伪造图之间的判别难度差异很大，摘要没有说明是哪一种。

有一种读法必须纠正：不能写成AI识别不了伪造。准确的说法是专家与检测器双双受限——人工判别停在随机水平，最好的自动检测器停在中等判别能力，两者都不足以支撑常态化筛查。

落到流程上推论很短。把图像审查整体外包给一款检测器，在这个性能区间内不成立；勉强可用的形态是让检测器做排序，把高疑似样本推给人工复核，而人工这一环同样没有表现出可靠性。研发侧能做的是另一条路：图像入库时落时间戳、设备编号与处理日志，委托环节要求提供原始文件，稿件的图版自查多一道生成来源说明。

能改变结论的伪造：危害不在以假乱真，而在结论被改写

摘要对伪造图的定性值得单说：高保真生成模型产生的伪造图可以改变一项研究的结论。衡量危害的尺度不是肉眼能否看出瑕疵，而是它能否推翻由这张图支撑的判断。一条被抹掉的条带、一张被改大的瘤体图像，改写的可能是整个实验算不算阳性。

这让问题从检测精度转向证据底座。科研图像管理要回答的是：原始采集文件存不存在，从原始图到论文图版之间经过哪些处理，处理有没有留痕，原始文件能不能拿来比对。这些全是元数据与溯源问题，不是算法问题。

从这个角度看趋势也清楚：既然生成侧的能力已经足以改写结论，治理重心只会向采集端的存证倾斜。谁来定义原始图像的格式与元数据要求是还没定的事，但纸面上那种省事的做法——先发表、事后抽查——在这组数据面前站不住。

冷静观察：摘要只给了四个数，剩下的问题一个都没答

本篇可引用的量一共四个：104张图、24名评审、50.5%加SD 6.9%、AUC 0.790加95% CI 0.695至0.885。其余一概未见。

材料构成先缺一块。伪造图与真实图的比例未获取，这两类图像来自哪些实验、是否经过同一预处理、由哪个生成模型产出，摘要都没有列出，生成模型名称也一并缺失。没有这些就没有复现路径，别人无法做同等条件的对照。

统计口径同样没补全。SD 6.9%是否为跨评审者的离散度，摘要没有进一步展开；专家判别的敏感度、特异度与P值均未获取；检测器在哪个判定阈值上运行也没有说明。缺了阈值与列联表，0.790就只能当整体判别力看，不能换算成任何筛查场景下的漏检或误报比例。

结论的外延也要收窄。实验只在western blot与异种移植瘤两类图像上做，结果不能直接推到病理切片、内镜或放射影像；所谓科研诚信保障存在关键漏洞是作者的定性判断，漏洞指向同行评审、期刊图版审查还是机构数据管理，摘要没有细分。

所以这条只能停在风险登记层面：专家与当前最好的商用检测器都没有拦住这类伪造，公开信息还不足以判断差距有多大、工程手段能补到什么程度。在拿到全文与评测材料之前，别把它当成已量化的失守概率来引用。

原文链接：Journal of Medical Internet Research（DOI 10.2196/100710）

千方医数集编辑部 出品