🔍 耿同学打假报告

论文信息

论文来源：http://poster-openaccess.com/files/ICIC2025/3943.pdf
标题：GLAD-Net: Global-Local Adaptive Fusion and Cross-Stage Distillation for Cross-Level Multi-Scale Medical Image Segmentation
作者：Wenkai Zhao, Lingwei Zhang, Yun Zhao, Xuecheng Bai, Zhenhuan Xu*, Yidi Li
期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
发表年份：2025 (会议时间为 2025年7月26-29日)

综合评定：🔴 实锤

详细发现

发现 1：数据造假检测 - "量子纠缠"般的消融实验数据

位置：Table 3, Table 4, Table 5, Table 6, Table 7
描述：在作者进行的 5 组不同模块的消融实验中，所有被标记为"最优"或最终设置的结果，其性能指标竟然完全一模一样！
证据：
- Table 3 (GLAM 消融): Split=4, SFM=√ 的结果是 mIoU 80.79, DSC 89.73, Acc 96.35, Spe 98.68, Sen 86.24
- Table 4 (CSCA 消融): Channel + Spatial 协同注意力的结果是 mIoU 80.79, DSC 89.73, Acc 96.35, Spe 98.68, Sen 86.24
- Table 5 (CMSF 消融): Cross-Level Multi-Scale Selective Upsample 的结果是 mIoU 80.79, DSC 89.73, Acc 96.35, Spe 98.68, Sen 86.24
- Table 6 (CSSD 消融): one stage (decay) 的结果是 mIoU 80.79, DSC 89.73, Acc 96.35, Spe 98.68, Sen 86.24
- Table 7 (KAN 消融): Reg=KAN 的结果是 mIoU 80.79, DSC 89.73, Acc 96.35, Spe 98.68, Sen 86.24
  在真实的深度学习实验中，改变网络结构（如注意力机制、上采样策略、蒸馏阶段）几乎不可能在多次独立训练中收敛到小数点后两位完全相同的 5 个指标。这是典型的伪造消融实验数据（直接将最终模型结果复制粘贴到每个表格的"最优"行中），或者在实验中根本没有真正进行独立的模块消融。
严重程度：🔴

发现 2：方法学异常 - 正文文本与表格数据严重脱节

位置：Section 4.2 (Comparative Experimental Results) 对比 Section 4.3 (Table 1)
描述：作者在正文中吹嘘的指标与实际表格中展示的数据存在自相矛盾，甚至连基线模型的数据都前言不搭后语。
证据：
- 矛盾点 A：4.2 节正文中写道：“On the ISIC-2017 dataset... a Dice coefficient (DSC) of 89.86%... sensitivity (Sen) of 90.77%.” 但在 Table 1 中，GLAD-Net 在 ISIC17 的 DSC 明明是 89.73%，Sen 更是只有 86.24%。难道作者的眼睛自带美颜滤镜，连看自己的数据都能凭空加上几个点？
- 矛盾点 B：作者在 4.3 节文字描述中声称：“baseline U-Net achieves DSC/mIoU of 82%/75%”。然而，Table 1 白纸黑字写着 UNet 在 ISIC17 的 DSC 是 86.99%，mIoU 是 76.98%。作者连自己跑的基线数据是多少都记不清了，大概率是写论文时 copy-paste 了别的文章里的文字描述，却忘了改成自己的实验数据。
严重程度：🔴

发现 3：数据造假检测 - 魔法定义的"完美"对齐与薛定谔的性能断崖

位置：Table 6 (Effectiveness of CSSD)
描述：在 Cross-Stage Self Distillation 的消融实验中，数据呈现出极其反常的规律和断崖式下跌，为了突出自己提出的 "one stage (decay)" 的优越性，强行编造了极端贬低其他设置的对比数据。
证据：
- Table 6 显示，使用 "three stages (no decay)" 时，mIoU 暴跌至 58.21%，DSC 跌至 71.36%。相比于 one stage (decay) 的 80.79%，这种程度的性能崩溃在 U-Net 架构添加多阶段监督时极不寻常，通常只会导致轻微过拟合或提升不足，而不是直接退化到不如传统分割算法的地步。
- 结合发现1（所有的最优消融实验结果数字完全一样），可以推断作者为了图省事，捏造了非最优选项的数据，且捏造时下手太重，制造了不自然的断崖效应。
严重程度：🟠

发现 4：图片复用检测（局限性说明）

位置：论文所有 Figure
描述：由于当前提交的文本中仅包含图题（如 Fig. 1, Fig. 2 等）而未包含实际图像数据，无法进行像素级比对、Western blot 背景噪点分析和 PS 痕迹检测。
证据：无图像文件。
严重程度：N/A

耿同学辣评

这篇论文可以说是典型的"模块缝合怪"加上"复制粘贴大师"。连改都不愿意改一下，5 张消融实验表的最优结果连小数点后两位都一模一样，正文吹的牛连自己给的表格都对不上。这种连"随机数生成器"都懒得用的造假态度，简直是对审稿人智商的降维打击。建议作者改行去卖复印机，毕竟Ctrl+C和Ctrl+V用得这么溜，不要在学术界浪费天赋了！

建议后续行动

联系作者要求提供原始数据（特别是 5 张消融实验表的训练 log）
在 PubPeer 上提出质疑
向会议组委会（ICIC 2025）学术委员会举报，要求核实实验真实性
检查其开源代码（GitHub）是否真能跑出这种"量子纠缠"般完全一致的消融结果

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

GLAD-Net: Global-Local Adaptive Fusion and Cross-Stage Distillation for Cross-Level Multi-Scale Medical Image Segmentation