用人工智能面部真实性定位（FAL）模型检测被篡改的在线鼻整形图像
核心概要
该研究首次将基于人工智能的面部真实性定位（FAL）模型大规模应用于美容外科媒体，对RealSelf.com公开图库中连续600张鼻整形术后照片进行分析，发现19.5%（117/600；95% CI 16.3–22.7%）存在疑似数字篡改，并在200张推定未编辑的临床照片上得到1.5%（3/200；95% CI 0.51–4.32%）的假阳性率、在50张经Facetune几何扭曲的临床照片上得到100%（50/50；95% CI 93.0–100%）的敏感度。
深度剖析
在真实平台数据中给出了鼻整形术后照片被数字篡改的流行率估计：RealSelf.com公开图库中19.5%（117/600；95% CI 16.3–22.7%）的照片出现鼻部区域热图激活，被判定为疑似篡改。 此前在线美容外科图像的篡改问题缺乏系统量化，本文以连续600张、未额外筛选的样本提供了首个大规模流行率估计。 基于连续抽样、无额外过滤的600张照片，并报告了95%置信区间，属于描述性流行率估计。
FAL模型在验证集上表现出低假阳性率：200张推定未编辑、由RAW导出且仅做最小处理的临床照片中，假阳性率为1.5%（3/200；95% CI 0.51–4.32%）。 为该方法在临床摄影场景中的特异性提供了量化依据，而不仅是概念演示。 验证样本为200张推定未编辑的临床照片，样本量有限，置信区间较宽。
FAL对Facetune生成的几何扭曲具有高敏感度：50张临床、被有意扭曲的照片全部被检出，敏感度100%（50/50；95% CI 93.0–100%）。 说明该方法可捕捉Facetune类几何形变这一具体篡改类型，而非仅泛化地标记异常。 敏感度评估基于50张有意扭曲的临床照片，样本量较小，且仅针对Facetune生成的几何扭曲。
研究提出将自动化真实性检查整合进临床摄影与平台工作流程，以提升透明度。 把检测结果从技术指标延伸到临床摄影规范和平台内容治理的应用设想。 属于基于上述流行率与验证结果的推论性建议，文中未报告实际部署或干预效果。
启示与展望
该结果适用于RealSelf.com公开图库中2025年10月抓取的连续600张鼻整形术后照片，以及以RAW导出、最小处理的临床照片和Facetune生成的几何扭曲照片构成的验证场景；对希望了解在线美容外科图像真实性的患者、临床医生和平台运营方具有参考价值，并为将自动化真实性检查纳入临床摄影与平台工作流程提供了初步依据。
读者仍会关注：FAL在其他类型篡改（非Facetune几何扭曲）上的表现如何；在更大、更多样化的临床与平台图像集上，流行率与假阳性率是否稳定；热图激活与真实篡改之间的一致性如何界定；以及将自动化检查整合进临床摄影与平台工作流程后，对患者期望和平台内容治理的实际影响。