我审过一篇RCT随机对照试验基线表里写得干干净净干预组平均年龄58.2岁标准差4.1岁两组各项基线特征p值全部大于0.05完美得挑不出一点毛病。我盯着那组数据看了两轮总觉得哪里不舒服于是顺手把基线表格里的样本量、均值和标准差放进一个小脚本里跑了一遍然后又拿摘要里的主要结局指标做了个反向验算。十分钟不到问题出来了摘要里“并发症发生率8.3%”这一项对应的42例样本量根本凑不出整数人数而这个位数恰恰表明百分比是后来贴上去的不是从原始数据里算出来的。这不是我一个人遇到过的倒霉事。医学论文里的“水分”远比外界想象得普遍而审稿人往往处于一种“觉得不对但说不清哪里不对”的状态。今天这篇东西就是写给跟我一样要反复跟医学论文打交道的审稿人、学术编辑、临床研究者看的面对一份疑似有“水分”的医学数据我们到底有哪些低成本、高命中率的检查手段以及如何把这些手段落在日常审稿流程里。1. 先说清楚医学论文里的“水分”到底长什么样很多刚入门的审稿人一听到“数据造假”脑子里跳出来的就是“凭空编造数据”这一种模式。但以我做过的几百次稿件审查经历来看真实世界里的问题要复杂得多至少要分成四个完全不同的层次不同层次的信号特征和排查手段也不一样。1.1 完全编造与选择性报告两种初衷完全不同的造假完全编造指的是从头到尾没有做过实验或者实验做了但数据不可用干脆拍脑袋生成一套结果。这个层次的造假作者的心理压力最大但技术含量往往最低。因为它难在“编得像”自然分布数据的随机性、统计量与样本量之间的数学关系、图表里像素级的特征都是编造数据时很难照顾周全的漏洞。选择性报告则完全不同。原始数据可能是真的但作者出于“让结论更好看”的目的只挑了一批幸运的数据出来把不符合预期的数据当成离群值排除或者只报告得到显著结果的次要结局把没达到统计学意义的主结局藏起来。这种“水分”的隐蔽性更高单看论文本身甚至无法直接证明是造假必须结合临床试验注册平台、原始数据文件、分析计划是否预先公开来综合判断。1.2 统计包装与图片加工在“修改”阶段产生的新形态第三种形态是统计包装也就是我们常说的p值黑客。同一批真实数据用参数检验不显著就换成非参数检验试试按年龄分层不显著就换个性别分层看看本来应该做多重比较校正故意不校正硬生生从小p值里“挖”出一个“显著”的结果。这种操作在医学论文里相当常见有时候作者自己都没意识到这属于学术不端但它在性质上就是给数据“注水”。第四种形态集中在图片上。Western blot条带复制、流式细胞术散点图的局部克隆、免疫组化切片的重复粘贴是这些年学术界被曝光频率最高的造假方式。因为图片是像素级的信息把同一张图旋转、翻转、裁切、缩放后再次使用靠肉眼很难一下子识别偏偏现在很多期刊的审稿流程里根本没有图片查重这一步。1.3 审稿人为什么往往发现不了抛开主观故意的因素审稿人发现不了“水分”最重要的客观原因有三个没时间、没工具、没思路。时间方面绝大多数审稿人是在临床工作或科研任务的夹缝里抽空审稿的一篇稿件能给到三五个小时已经算奢侈审稿系统自带的查重只覆盖文字根本不管数据。工具方面很多审稿人不知道GRIM检验、Benford分析甚至不会用ImageJ做简单的图片对比。思路方面大部分人默认“能投到期刊手里的数据至少是真实做出来的”这种先入为主的信任让人放松了警惕。所以我一直觉得审稿层面的数据核查目标不是当侦探而是用最小成本筛掉那些“假得太过分”的稿件同时把存在疑点的部分标记出来交给编辑部和作者所在机构去进一步追查。下面这些方法全部是围绕这个目标来展开的。2. 数字层面用GRIM检验、Benford定律和反手验算筛出异常数字是最诚实的东西因为数学关系摆在那里编造数据的人很难同时照顾到平均值、标准差、样本量和p值之间的全部约束。这一节讲三个最实用的检查思路全部可以用Excel或Python快速完成。2.1 GRIM检验为什么某些均值根本“凑不出来”GRIM检验Granularity-Related Inconsistency of Means的原理特别朴素如果一组数据的观测值只能是整数例如年龄、血压计读数、住院天数、量表得分那么这组数据的平均值乘以样本量理论上必须是一个整数。举个例子某研究纳入37名患者报告平均年龄52.6岁。用37乘以52.6结果是1946.2。这意味着这37个人的年龄总和必须是1947或1946才能得到52.6左右的结果但是否能精确凑出来还要看年龄的取值范围。GRIM检验还进一步检查四舍五入到一位小数后“平均数×样本量”的整数部分和用所有可能观测值组合能算出的总和是否一致。如果差得很远那么报告中所谓“52.6岁”就是不可能的。我自己在实际审稿里遇到过一起典型的GRIM异常有一篇论文报告干预组12例平均住院时间4.5天。12×4.554整数没问题但作者写的标准差是0.0。一个12人的样本住院时间全部精确等于4.5天标准差为零这在临床上几乎不可能。这种“平均值验算没暴露、标准差暴露一切”的情况很常见所以GRIM通常要和后面的标准差检查配合使用。2.2 Benford定律人们对自然分布的“首位数直觉”很差Benford定律说的是在一大批自然产生的数据里首位数是1的占比最高约为30.1%首位数是9的占比最低约为4.6%。医学研究里的很多真实数据比如检验科的化验值分布、住院费用汇总、随访时间记录往往近似服从这个规律。人造数据的问题在于人们编数字的时候对“1”开头有种“觉得太多”的偏见会下意识减少1开头的数字增加6、7、8、9开头的数字。如果一篇论文提供的原始数据量足够大至少100个以上数据点才比较稳把每个数的首位提取出来和Benford期望分布做卡方检验很容易看出异常。不过我必须提醒一句Benford定律不是万能的。如果数据本身带有明显边界比如某项指标只能落在10到20之间那它就不符合Benford分布。所以在向编辑提出质疑之前先确认这份数据在理论上是否“应当”符合Benford分布否则容易闹笑话。2.3 标准差、p值与样本量的内在账本反推计算才是硬道理医学论文最常出现的几个数字均值加减标准差、p值、置信区间、样本量。这些数字之间不是各自独立的它们共享同一组原始数据所以可以互相验算。最常见的验算包含以下几类用均值和标准差估算95%置信区间95%CI约等于均值±1.96×标准差/√n。如果作者报告的置信区间和这一估算相差很远那要么是标准差写错要么是置信区间的计算公式有问题。用两组均值和标准差反推t值再用t分布计算p值看是否与作者报告的p值吻合。用事件例数和总例数计算百分比检查小数点后的位数能否由整数人数整除得到。前面提到的“8.3%对应42例”就是这一类因为42×8.3%3.486不可能有3.486个人发生并发症4/429.52%3/427.14%怎么都凑不出8.3%。反推计算不需要什么高深的统计软件Excel里用T.DIST.2T函数就能算p值。我的习惯是在精读基线表的时候旁边开一个Excel窗口把关键的均值、标准差、例数敲进去顺手验一遍。真正编造数据的人最怕的就是这种“每笔账都过一遍”的审法。2.4 简易Python脚本在10分钟内批量筛查如果一篇论文里有大量数值需要核查手动一个个验算太费时间。我通常用下面这个Python脚本做批量检查核心功能包括GRIM检验、百分比-人数一致性校验以及用t分布反推p值。import math from scipy import stats def check_percentage_and_n(percent, n, decimals1): 检查一个百分比能否由整数人数/总例数精确得到 min_flag False for event in range(0, n 1): calc event / n * 100 if round(calc, decimals) round(percent, decimals): min_flag True break return min_flag, event def grim_check(mean, n, decimals1, min_value0, max_value130, integerTrue): 简易GRIM检验均值*n 是否可能由整数观测值组合生成 total round(mean, decimals) * n nearest_int round(total) # 检查均值*n与最近整数的偏离是否在单次四舍五入误差内 if abs(total - nearest_int) 0.5 * (10 ** (-decimals)) * n: return False # 进一步检查范围约束如果每个观测值都要在[min_value, max_value]内 # 总和必须落在该区间内并且还需考虑奇偶/取值范围约束 if nearest_int min_value * n or nearest_int max_value * n: return False return True # 示例检查摘要中报告的并发症比例 ok, event check_percentage_and_n(8.3, 42) print(f8.3% with n42 possible? {ok}, matching events: {event}) # 示例GRIM检查平均年龄52.6n37 print(fGRIM check mean52.6, n37: {grim_check(52.6, 37, min_value18, max_value90)}) # 从t值和样本量反推p值 def p_from_t_and_n(t_value, n1, n2, two_sidedTrue): df n1 n2 - 2 p stats.t.sf(abs(t_value), df) * 2 if two_sided else stats.t.sf(abs(t_value), df) return p这段脚本不需要很强的编程基础装好Python和scipy库就能直接改数据跑。它的意义不在于结果有多精确而在于把“感觉哪里不对”变成“这里有明确的数学矛盾”后者才是审稿意见里真正有分量的内容。3. 图表层面在像素里找被反复粘贴的“老熟人”医学论文里的图表是数据造假最猖獗的地方也是最容易被审稿人忽略的地方。原因非常现实图表核查需要专门的工具和训练而大多数医学背景的审稿人并没有这个技能包。但实际上基础级别的图片查重并不难你不需要成为图像取证专家只要掌握几个关键技巧就够了。3.1 Western blot、流式散点图和病理切片最容易重复的三种素材从我的审稿经验来看疑似图片重复主要集中在这三类素材上。Western blot蛋白质印迹条带的重复是最常见的。作者做了一张膜的结果想伪装成不同实验条件下的结果于是直接把条带复制、旋转、翻转或拉伸后再次使用。这类重复的破绽在于条带周围的非特异背景——那些淡淡的弥散晕、膜边缘的划痕痕迹、marker区域的微小气泡往往在复制时被一并带上。两张图的条带主体看起来“尺寸不同”但如果把它们的背景部分裁出来对比会发现背景噪声一模一样。流式细胞术散点图的问题是整片散点的分布特征。真正的流式数据不同样本之间的细胞群轮廓、密度分布、散点间距是有细微差异的。造假者为了省事经常直接把一整块散点图复制到另一个时间点的图里只改了坐标轴标签和图例颜色。这时候只要把两张图叠起来做半透明叠加就能发现散点位置完全重合。病理切片HE染色、免疫组化相对难查一点因为切片之间的细胞形态非常相似。但真正的重复信号藏在组织结构上如果两张图声称来自不同患者的样本却存在完全相同的一组血管切面或腺体排列那基本可以断定是同一张图的局部区域被二次利用。3.2 两张“看起来不同”的图为什么会存在同一处背景噪声这是一个值得展开的关键认知人眼判断图像相似性靠的是“看主体”而图像取证靠的是“看背景”。造假者可以很轻松地改变条带的位置、光密度或图片的对比度却很难彻底抹掉高分辨率扫描图里的背景纹理。高倍扫描的凝胶和切片图背景里往往有固定的传感器噪点、灰尘颗粒、划痕、玻璃片指纹等特征。这些特征在单张图片里毫无存在感一旦两张图里出现完全相同的特征就是“同源图”的铁证。所以我审图的时候第一步会用图像软件把亮度和对比度拉满专门盯着主体的空白区域看。空白区域里不该出现任何结构如果出现了并且同时出现在两张图里那问题就大了。3.3 图像比对的具体操作不靠肉眼靠数据指纹这里分享一套我自己在用的图片核查流程成本很低全部用免费工具完成。第一选择是ImageJ它有一个叫“Compare”或者通过“Image Calculator”做差值运算的功能。把两张疑似重复的图片导入统一尺寸和旋转角度用灰度模式跑一遍相减运算。如果两张图相似度极高相减后的图像会变成接近纯黑的背景只留下极少量的白色差异点。如果完全无关相减后的结果会呈现大片灰色噪点。第二种思路是感知哈希Perceptual Hash比较。对图片做缩放、灰度化、计算哈希指纹两张相似图片的汉明距离会很小。我已经把这段逻辑写成了Python脚本可以在几秒内批量对比一篇论文里的所有图片import cv2 import numpy as np from PIL import Image import imagehash def dhash(image_path, hash_size8): img Image.open(image_path).convert(L).resize((hash_size 1, hash_size)) diff np.array(img)[:, 1:] np.array(img)[:, :-1] return sum(1 i for i, v in enumerate(diff.flatten()) if v) def hamming_distance(h1, h2): return bin(h1 ^ h2).count(1) # 对同一论文中的两幅图计算汉明距离 h1 dhash(fig2a.png) h2 dhash(fig2b.png) dist hamming_distance(h1, h2) # 距离小于10时需要高度警惕 print(fHamming distance: {dist})这个方法的优点是快缺点是不能替代人工复核。哈希距离小只说明两张图在整体结构上相似可能是图像内容本身就是同一只动物的不同切片还需要人工判断。还要提一个重要细节很多作者在重复使用图片时会特意把图片旋转、水平翻转、放大缩小一段距离这类变换确实能骗过部分查重工具但骗不过ImageJ里的“旋转校正差值运算”流程。你只需要手动旋转到大概一致的角度计算机会自动找到最佳配准后的差异区域。我抓到过的最夸张的一例是把同一条条带翻转后放到另一篇论文里当独立实验结果条带主体翻转了但条带周边的背景噪声方向没有转一比对就露馅了。4. 基线表格与逻辑性矛盾一张基线表能暴露多少“账目问题”如果说图片造假需要专门的工具才能发现那么基线表格和统计逻辑上的矛盾几乎是“送分题”。因为大部分人编数据的时候会把注意力放在“结果是不是显著”上根本没心思去打磨表格里的所有细节。而这些细节恰恰是审稿人能快速得分的地方。4.1 百分比与人数对不上最容易被忽视的送分项我在开头举了“8.3%”的例子这里再展开一下。一篇论文报告“男性占比46.7%”总例数是30人30×46.7%14.01也就是说出14例男性14/3046.67%四舍五入之后确实可以写成46.7%。这种校验能通过。但如果总例数是28人28×46.7%13.076而13/2846.43%、14/2850.00%——无论怎么算都凑不出46.7%这个精确值。那这个百分比就极有可能是从另一篇论文拷贝过来的或者是从一个不存在的原始数据集里伪造出来的。类似的验算思路也可以用在“改善率”“缓解率”“复发率”等任何以百分数呈现的数据上。每次都把分母乘一遍、再把邻近整数组合除一遍这个动作看似笨拙但排查效率极高。4.2 随访与流失数据“完美得不像话”的时候临床研究里统计随访流失率是个让研究者头疼的问题——总会有患者失访、退出、数据不完整。但有些文章的随访数据漂亮得不真实干预组200例患者随访12个月流失率0%而对照组流失率也是0%。任何一个真正做过临床研究的人都知道12个月的随访里完全没有失访意味着什么——要么是报告假数据要么是对“失访”的定义做了手脚。这种“完美”本身就是一种强烈的异常信号。相反一份真实的随访数据往往会留下一些“杂乱”的痕迹不同时间点的脱访人数累计方式、脱访原因的分类、分析中如何处理缺失值这些细节里的内部一致性才能真正反映数据的真实性。另外还要警惕另一类矛盾摘要里写的样本量和正文表格里不一致。我见过一篇稿件摘要写“共纳入103例”正文却写“最终纳入98例”问作者回答是忘了改摘要。但医学审稿的逻辑里样本量这种核心数字的“忘了”往往意味着章节之间是不同时期拼凑出来的背后可能是数据的不同版本在不同位置被反复使用。4.3 跨论文数据互相矛盾的三角验证跨论文验证是对单篇论文最强的外部检查手段之一。如果同一个研究团队、同一个试验注册号在期刊A发表的论文里报告干预组平均年龄52.6±4.1岁在期刊B发表另一篇论文时报告同一组人群的平均年龄56.9±5.3岁那两篇里至少有一篇的数据是错的。这种问题在批量发表同一队列数据或拆分为多篇“香肠论文”的研究里尤其高发。实际操作中我会把作者的PubMed发文列表拉出来找到同一注册号或同一批纳入时间段的文章专门比对基线特征表。哪怕样本量不完全一致比如一篇是亚组分析年龄分布、性别比例、并发症发生率这些基础指标也应当具有总体上的稳定性。如果完全对不上那就不只是“水分”的问题了而是可能涉及一稿多投、数据拆分或数据篡改。5. 审稿实战从可疑信号到正式质疑的完整链路找到可疑信号只是第一步更考验审稿人的是怎么把信号组织成一份站得住脚的书面质疑既不冤枉作者又能把问题推到编辑部必须启动正式调查的程度。5.1 我的判断流程先分类再验证后定性在写审稿意见之前我给自己的流程定了个规则把所有疑点分成三个档位。A类信号是“存在计算性矛盾”的硬伤比如GRIM检验无法通过、百分比与人数不匹配、摘要与正文的样本量冲突。这类信号基本不需要额外的背景信息属于确定性问题。B类信号是“存在极端巧合”的可疑模式比如多幅图表存在同一背景噪声、流式散点图高度重叠、不同论文的相同队列出现不一致的基线数据。这类信号需要做进一步的相似性验证才能升级为A类。C类信号则是“统计层面的不透明”比如没有预注册分析计划、没有提供原始数据、敏感性分析缺失、报告了大量本应与主分析方向不完全一致的探索性结果。C类本身不等于造假但它是审稿人向编辑部建议索要原始数据的重要理由。我的习惯是A类信号直接写进审稿意见B类尽量给出比对截图C类作为补充说明建议编辑部要求作者提供原始数据和完整分析代码。5.2 审稿意见怎么写指出疑问不轻易下“造假”结论这里要特别强调边界意识审稿人的职责是指出疑点、提出问题而不是替代学术调查机构给作者定罪。一篇稿件存在数据问题有可能确实是造假也可能只是统计报告失误、图片排版张冠李戴、或者文件版本更新时改错了数据。直接写“作者故意造假”不仅不专业还可能招致法律层面的风险。我在审稿意见里通常这样表达“摘要中报告的并发症发生率为8.3%但按照正文提供的42例总样本量计算没有任何整数事件数能够四舍五入得到该百分比。请作者提供原始事件数和计算过程。”“图3A和图3B的非特异背景区域在调整亮度对比度后显示出高度一致的纹理特征疑似来自同一张原始图像。请作者提供两张图的原始版本和可能的重复使用说明。”“该研究未在公开平台预先注册主要结局和分析计划且未提供原始数据文件建议编辑部要求作者提供原始数据或进行数据可用性声明。”这样写的好处是不预设动机只摆事实和逻辑同时把验证责任推给作者和编辑部。对于确实无辜的作者这类意见一般能给出合理的解释比如“事件数为4例除以48例后四舍五入得到8.3%”之类而这些解释本身恰恰能让审稿人判断作者对数据的熟悉程度——真正做过实验的人通常能轻松回应多轮数据细节盘问。5.3 必须承认的边界我们能看到的是“水分”证据链要交给编辑部和机构无论我们发现多少A类信号作为审稿人能做的最后一步依然是“上报”而不是“定案”。医学数据是否造假最终需要编辑部结合原始数据、伦理审查材料、科研诚信调查机构的结论来综合判断。但我的观点是审稿人这种“前置哨兵”的角色仍然非常关键。很多被撤稿的论文并不是没人怀疑过而是怀疑的声音没有按规范流程传递到编辑部。你在审稿意见里多写的那几句“请提供原始计算过程”“请解释背景噪声一致性的原因”可能会成为日后出版后同行评议、读者举报或机构调查时的重要起点。一旦编辑部决定启动调查你前面做的GRIM验算记录、图片比对截图、基线表冲突清单全部会成为调查报告的证据链。这也是我一直建议大家在工作文件夹里保存审稿过程记录的原因不只是为了提升审稿水平更是为自己的判断留一份可追溯的档。6. 建立一套自己的“数据水分”快速筛查清单最后分享一套我目前固定使用的筛查清单它已经融入了我处理每一篇医学稿件的日常流程。步骤很简单却能在有限时间里覆盖大概率的“水分”高发区。拿到稿件先看摘要里的所有百分比逐个和正文样本量做整除校验。打开基线特征表把每个连续变量的“均值×样本量”过一遍GRIM逻辑。随机挑两个主要结局指标用报告的两组均值和标准差反推p值和原文对照。用图像软件把主要结果图拉高对比度重点看空白背景处是否存在异常纹理。提取所有图片的哈希指纹两两计算相似度阈值可疑的做二次人工复核。最后到临床试验注册平台检索该研究的注册号核对主要结局是否与论文一致、是否在分析开始前完成注册。这套清单不会花掉超过四十分钟但足以拦下相当大比例的低水平数据掺水。至于那些真正高水平的造假比如用真实统计分布生成模拟数据、用GAN生成的伪病理切片图单靠审稿人个人力量确实棘手那已经需要期刊端部署更专业的统计审稿人和图像取证机制了。我个人在实际操作中的体会是数据核查这件事最难的从来不是方法而是在“信任作者”和“保持怀疑”之间找到平衡。审稿不是要把每个作者都当嫌疑人但也不能让任何一篇“完美得不像话”的论文因为没人多看一眼背景噪声就轻松混过同行评议这道关。把上面这一套流程养成习惯之后你会慢慢发现那些精心伪装的“水分”在朴素的计算和像素级对比面前其实没你以为的那么难识破。
