🔍 耿同学打假报告

论文信息

• 标题：Explainable self-supervised learning for medical image diagnosis based on DINO V2 model and semantic search
• 作者：Alaa Hussien, Abdelkareem Elkhateb, Mai Saeed, Nourhan M. Elsabawy, Alaa Ebraheem Elnakeeb & Nora Elrashidy
• 期刊：Scientific Reports
• DOI：https://doi.org/10.1038/s41598-025-15604-6
• 发表年份：2025
• 论文来源：基于DINO V2模型和语义搜索的可解释自监督医学图像诊断学习.pdf

综合评定：🔴 实锤（确凿的造假与极不严谨的学术垃圾）

详细发现

发现 1：数据造假与数学悖论（Table 2）

• 位置：Table 2 (Results of the supervised learning)
• 描述：在Brain Tumor（脑肿瘤）数据集中，VGG19和ResNet152这两个不同模型的F1_score、Precision、Recall竟然完全一模一样（0.7388, 0.6723, 0.8199），但两者的Accuracy却不同（0.7531 vs 0.8119）。
• 证据：在多分类医学图像任务中，两个架构完全不同的模型，不可能在三个不同的评估指标上计算出一模一样的小数点后四位数值。唯一的解释是：作者在编造数据时，使用了自己的“随机数生成器”（即复制粘贴）。
• 严重程度：🔴 实锤造假

发现 2：连公式都能写错的离谱基础错误（Equations 5 & 6）

• 位置：Page 11, Equations (4), (5), (6), (7)
• 描述：作者给出了机器学习中最基础的指标定义公式，但其Precision（精确率）和Recall（召回率）的公式居然是用**TN（真阴性）**来计算的！
  • 作者的Precision公式：TN / (TN + FP)
  • 作者的Recall公式：TN / (TN + FN)
• 证据：任何做过一天机器学习的人都知道，Precision的分子必须是TP（真阳性），Recall的分子也必须是TP。作者不仅基础极其薄弱，甚至全文还将“Precision”极其诡异地拼写为“Percsion”、“Percison”。连指标定义都搞不明白，文中却报告出了4位小数的精确数据，数据来源高度存疑。
• 严重程度：🔴 实锤（暴露出作者根本不懂最基本的机器学习常识，数据极大概率是捏造或套壳其他文献拼凑而成）

发现 3：引用文献张冠李戴，数据集来源存疑（第六式：引用异常）

• 位置：Utilized dataset 章节
• 描述：作者声称使用了三个著名的医学数据集（肺癌、脑肿瘤、白血病），但给出的参考文献编号却极其荒谬。
• 证据：
  • 声称“肺癌数据集来自IQ-OTH/NCCD...”，引用了文献[38]。但查阅文献列表，[38]是Seifert等人的论文“Combined semantic and similarity search in medical image databases”，根本不是数据集文献。
  • 声称“脑肿瘤数据集...”，引用了文献[39]。而[39]是Joulin关于 embedding 的论文“One embedding space to bind them all”。
  • 声称“白血病数据集...”，引用了文献[40]。而[40]是关于向量数据库的IEEE会议论文。
  • 结论：作者连自己用的数据集出处都懒得找，随便塞了几个看起来相关的参考文献进去糊弄审稿人。
• 严重程度：🔴 实锤（学术不端：伪造引用关系）

发现 4：逻辑崩坏与文本复制粘贴痕迹（第五式：量产型学术）

• 位置：Abstract & Introduction
• 描述：摘要中出现了违背基本逻辑的数据统计。
• 证据：
  • 摘要写道：“DINO V2 provides 100%, 99%, 99%, 100 and 95% for classification accuracy of Lung cancer, brain tumour, leukaemia and Eye Retina Disease datasets, respectively.”
  • 这里只列出了 4个 数据集，却给出了 5个 百分比数值！连最基础的文字校对都没做，直接暴露了拼凑文本的痕迹。
  • 同时，在Introduction部分，作者居然将同一句话“Supervised models often overfit to narrow labelled distributions, whereas SSL learns domain-invariant features through pretext tasks.”在相邻的两段中原封不动地重复打印了两次！
• 严重程度：🔴 实锤（毫无学术严谨性，粗制滥造）

发现 5：文献综述表格出现“反常识”数据

• 位置：Table 1 (Literature review summarization)
• 描述：在引用Agnes等人的文献[16]时，Performance一栏赫然写着：“Acc = 0.937%” 和 “0.989%”。
• 证据：医学图像分类准确率如果是0.937%（不到1%），那这个模型连瞎猜都不如，作者居然在综述里堂而皇之地将其列为正面的“Performance”进行比较。这再次证明作者根本没有阅读原文献，只是机械地抄录甚至抄错了数据。
• 严重程度：🟠 高度可疑

发现 6：公式编号重复与排版崩坏

• 位置：Page 15, Semantic search 章节
• 描述：在第11页，作者已经将Accuracy等公式编号为了 Equation (4), (5), (6), (7)。然而到了第15页的语义搜索部分，Cosine Similarity 公式突然又被编号为 Equation (5)，Precision@k 被编号为 Equation (6)。
• 证据：典型的“多论文缝合怪”特征，不同章节由不同人撰写或直接从其他草稿中复制粘贴，连基本的公式序号都没有统一。
• 严重程度：🟠 高度可疑

耿同学辣评

这篇论文简直是“缝合怪”的巅峰之作，连最基础的Ctrl+C和Ctrl+v都没玩明白！把Precision公式里的TP写成TN，您这是在诊断肿瘤，还是在研究怎么确诊“绝对健康”？摘要里4个数据集报了5个数，难道多出来的那个准确率是作者自己诊断出的“水份超标”吗？Scientific Reports 把这种连专科生作业都不如的草稿发出来，编辑和审稿人是不是该去查查视力了？建议作者重修大一《计算机导论》，顺便把连同那几个假引用一起，塞进你们的“Qudra Net”数据库里永久封存吧！

建议后续行动

• 向期刊 Scientific Reports 发送正式举报信，指出其数学公式根本性错误、数据伪造及引用造假。
• 在 PubPeer 上发布质疑帖子，附上Table 2数据雷同和公式错误截图。
• 建议作者所在机构（Kaferelshikh University）学术委员会启动调查，核实其实验数据的真实性。

⚠️ 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。