"Convert this clinical photo of a melanoma on forearm into a labeled medical line drawing. Show: lesion borders, asymmetry, color variation, surrounding healthy skin context. Label: lesion, periphery, dermal-epidermal junction. Style: medical textbook, soft cross-hatching shading, clean leader lines, anonymized (no skin folds or hair patterns that identify the patient)."
输出是出版级线稿，保留临床内容（损伤边界、颜色、不对称性）同时抽象掉可识别患者的特征。三点对伦理合规重要：照片来源患者必须已签同意、线稿不应能从照片反推回源、最终图标注为带同意书的临床照片 AI 转换，不是直接照片复制。
三阶段照片转线稿工作流（图片由 SciFig 生成）
对病理标本，工作流相同，prompt 调整强调细胞结构（上皮 vs 基质、炎性浸润 vs 肿瘤）。对内镜图像，prompt 强调解剖标志和腔体方向。模式在成像方式间迁移——变量是要保留什么、抽象什么。
"JAK/STAT signaling pathway molecular illustration. Show: cytokine binding to cell surface receptor (extracellular), JAK phosphorylation (membrane-proximal), STAT recruitment and dimerization (cytoplasm), dimer translocation through nuclear pore, STAT binding to GAS element on DNA (nucleus). Arrows showing direction of signal flow. Label all key proteins. Molecular biology textbook style, layered cell compartments visible."
输出捕捉规范机制并方向正确——STAT 磷酸化先于二聚化、二聚体转位到核、基因转录跟上。这是通用图像模型最常失败的地方：它们经常颠倒顺序（STAT 先转位，再二聚化），或漏掉 GAS 元件，或把 JAK 标在错误的亚细胞隔室。
人工审核确认 — "All figures were reviewed by the corresponding author for anatomical and scientific accuracy"
Methods 部分 AI 声明示例标注（图片由 SciFig 生成）
对从临床照片派生的图，同意声明是独立且显式的："Clinical photographs were obtained with patient written informed consent (IRB protocol #X-XXXX). Photographs were transformed into anonymized line drawings using AI-based image generation." 同意记录 + 转换声明的组合满足每个主流临床期刊的患者保护要求。
合法，前提是有记录的患者同意和 IRB 批准（如机构要求）。AI 转换的图不应可从照片反推回源患者，Methods 部分必须声明同意流程和 AI 转换。这是皮肤科、病理学、临床摄影跨主流期刊的标准实践。
SciFig 的 Nano Banana Pro 2K 这类领域微调模型针对生物学文献做了微调，能减少常见通路错误（信号流方向反、亚细胞隔室错、缺中间步骤）。通用图像模型（DALL·E、Midjourney）经常犯这些错。每张 AI 生成的机制图仍需要人工审核，但基础准确性已足够高，使 AI 生成成为常规插图的可行选项。
对常规解剖图和标准通路图，AI 生成更快更便宜（10-15 分钟 vs 2-3 周；每次生成 $0.16 vs 每张图 $300-$1,500）。对高度特化或新颖医学插图——复杂手术技术图、教科书封面定制艺术风格——专业医学插画师保有明显优势。两条路径互补：AI 处理常规，插画师处理特殊。
