生物医学论文中AI图表的使用与规范

引言Introduction

生物医学论文越来越依赖AI生成图表。问题也随之出现。哪些图可以用AI，哪些必须人工校对。如何在论文中合规说明。如果处理不当，轻则返工，重则影响投稿与诚信。

1. AI图表为何在生物医学写作中越来越常见

1.1 从“辅助制图”到“内容生成”

在生物医学研究中，图表承担的不只是展示功能。它还负责解释机制、呈现流程、总结结果。AI进入这一环节后，最常见的用途包括：

• 生成机制示意图初稿。
• 优化版式、配色和标签。
• 辅助整理复杂通路关系。
• 协助输出流程图、时间线和研究设计图。

AI的价值在于提速，不在于替代学术判断。 对医学生、医生和科研人员来说，AI可以减少重复劳动，但不能替代文献核对、实验事实判断和最终责任确认。

1.2 图表使用的核心风险

AI图表最容易出问题的地方，不是“画得好不好看”，而是“是否准确”。在生物医学场景中，常见风险有三类：

1. 机制关系画错。
2. 细胞、分子、药物名称标注不准确。
3. 图中混入不可识别的患者信息或受版权保护内容。

如果图表属于AI生成文本、AI生成图像或AI辅助编辑内容，作者必须能说清楚它的来源、用途和审核方式。图表越接近研究结论，越需要严格说明。

1.3 为什么投稿期刊越来越重视披露

2024年3月7日，《JAMA》更新作者须知，明确要求作者在使用传统或生成式AI创建、审核、修改或编辑手稿内容时，在致谢或相应位置报告相关信息。包括：

• AI软件平台、应用程序或工具名称。
• 版本号和扩展号。
• 制造商名称。
• 使用日期。
• AI具体参与了哪些部分。
• 作者对AI生成内容完整性的责任声明。

这意味着，AI图表不只是“制作工具问题”，而是“学术披露问题”。

2. 生物医学论文中AI图表该怎么规范使用

2.1 先区分“辅助绘图”和“研究证据”

这是最关键的一步。AI生成图表大致可分为两类。

2.1.1 仅用于表达，不构成证据

例如：

• 研究流程图。
• 技术路线图。
• 机制示意图初稿。
• 综述中的概念模型图。

这类图表用于帮助读者理解。只要内容经过作者核验，通常可作为写作和展示工具使用，但必须如实说明。

2.1.2 直接参与研究结论

例如：

• AI分析后的结果图。
• 机器学习模型输出的性能图。
• AI生成的分类结果、热图、预测图。

这类内容已经进入研究结果层面。必须在材料与方法、结果和讨论中分别交代。 不仅要写清楚用什么AI，还要写清楚数据来源、训练验证方式、评估指标和局限性。

2.2 方法部分应写清楚哪些信息

如果AI参与了图表生成，方法部分至少应交代以下内容：

• 使用的工具名称。
• 版本号。
• 制造商。
• 使用日期。
• 输入内容类型。
• AI参与的具体环节。
• 人工修改和审核方式。

如果是基于LLM或图像生成工具，还应保留提示词、提示词修改过程，以及输出结果如何被修订。可重复性是规范披露的底线。

2.3 结果部分应说明什么

如果图表包含AI分析结果，结果部分应报告：

• 具体性能指标。
• 效应值及95%CI等不确定性信息。
• 错误率、缺失值或不一致结果。
• 是否存在偏倚或代表性不足。
• 是否进行了敏感性分析。

例如，在机器学习相关图表中，不能只放一张漂亮的ROC曲线。还要说明训练集、验证集、测试集如何划分，AUC是多少，校准如何，是否外部验证。图表好看不等于证据充分。

3. 论文中如何说明AI图表的使用

3.1 致谢或声明部分的写法要点

根据JAMA提出的要求，AI使用声明应尽量完整。通常包括以下要素：

1. 工具名称。
2. 版本号。
3. 制造商。
4. 使用日期。
5. 使用目的。
6. 涉及的手稿部分。
7. 作者确认对内容负责。

可以采用简洁、可核查的表达方式。比如：

“本研究在图表初稿整理阶段使用了某AI工具进行结构建议与版式优化，最终图表内容、科学表述与结论均由作者审核并确认。”

这类写法的重点不是“强调用了AI”，而是让读者明确知道AI做了什么，没有做什么。

3.2 方法部分的推荐写法

如果图表与研究方法相关，可以在材料与方法中加入一段说明：

• AI是否用于图表初稿设计。
• 是否用于生成流程图、机制图或统计图。
• 是否用于图像分割、分类、识别或聚类。
• 作者如何验证图表准确性。
• 是否存在人工重绘或矢量化处理。

对于科研人员而言，最稳妥的原则是：AI负责“提速和辅助”，作者负责“事实和结论”。

3.3 图注中是否需要标明

如果图中直接包含AI生成内容，建议在图注中注明来源。尤其是：

• AI生成的示意图。
• AI生成的文字标签。
• AI生成的局部结构草图。
• 由AI参与完成的数据可视化。

图注应避免含糊。应让审稿人一眼看出这张图的生成方式和审核状态。

4. 生物医学AI图表的常见合规问题

4.1 不能忽视患者信息与隐私

无论是临床图像还是病例示意图，都不能包含可识别患者信息。包括：

• 姓名。
• 住院号。
• 检查号。
• 面部特征。
• 可回溯身份的稀有病历信息。

如果AI用于处理这类内容，更要检查数据脱敏是否彻底。隐私问题比图表美观问题更重要。

4.2 版权和知识产权必须考虑

如果AI生成内容涉及第三方素材、模板或训练数据来源不明，就可能带来版权风险。尤其在以下情况中要谨慎：

• 直接使用AI生成并投稿发表。
• 在图中嵌入来源不明的结构图或插画。
• 对商业软件输出结果未经许可进行再发布。

投稿前应确认期刊政策、工具许可条款和机构要求。对高风险图表，建议保留生成记录和修改记录。

4.3 不要把AI生成图当作“最终真相”

AI会生成看似合理的图，但不一定科学正确。对生物医学论文来说，最常见的错误是：

• 通路方向画反。
• 激活与抑制关系混淆。
• 细胞定位错误。
• 实验步骤顺序颠倒。

任何AI图表都必须经过专业知识校验。 对医学生、医生和科研人员而言，这一步不能省。

5. 让学术图表AI生成真正提升论文质量

5.1 最实用的工作流程

一个更稳妥的流程通常是：

1. 先由作者确定科学框架。
2. 再用AI生成图表草稿。
3. 人工逐项核对事实。
4. 按期刊规范补充声明。
5. 最终由作者承担全部责任。

这个流程兼顾效率和合规。AI适合做“起稿工具”，不适合做“责任主体”。

5.2 适合使用AI的场景

在合规前提下，AI特别适合这些任务：

• 机制图的结构建议。
• 综述图表的布局优化。
• 技术路线图的初步排版。
• 研究流程图的语言压缩。
• 图注草稿和术语统一。

这些环节本质上是信息组织问题。AI可以显著节省时间，但最后仍要靠作者把关。

5.3 解螺旋如何帮助规范图表与写作

如果你希望把AI图表真正用在论文里，而不是停留在“能画出来”，解螺旋这类专业科研工具更适合做规范化支持。它可以帮助研究者更高效地梳理图表结构、优化学术表达，并减少重复修改带来的时间成本。对需要兼顾投稿效率、图表质量与合规披露的研究者来说，这是更接近真实科研场景的解决方案。

总结Conclusion

生物医学论文中的AI图表，关键不在于“能不能用”，而在于“怎么用得规范”。凡是AI参与的内容，都要说清工具、版本、用途和责任边界。 对方法、结果、讨论三个部分的披露要保持一致。对患者隐私、版权和科学准确性要严格审核。这样，AI才能真正成为提升科研效率的工具，而不是投稿风险的来源。

如果你正在准备论文图表、机制图或研究流程图，建议在保证规范的前提下借助解螺旋提升效率。把图表做对，把披露写清，才能更稳妥地完成投稿。