🔍 耿同学打假报告

论文信息

• 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
• 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
• 时间线：Received: 7 October 2024; Accepted: 8 August 2025

综合评定：🔴 实锤

这篇论文可以说是“千疮百孔”，从基本的数学公式定义、数据自洽性，到文本逻辑与参考文献的引用，均发现了指向系统性造假的确凿证据。这不是简单的疏忽，而是毫无学术底线的粗制滥造。

详细发现

发现 1：数据造假检测（连计算器都不如的数据捏造）

• 位置：Table 2 (Results of the supervised learning)
• 描述：表格中的 F1 Score 与报告的 Precision 和 Recall 存在严重的数学不自洽，甚至不同模型之间的数据出现了“复制粘贴”后忘记修改的痕迹。
• 证据：
  1. 数学冲突：在 Table 2 的 Retina 数据集中，ResNet152 的 Precision 为 0.435，Recall 为 0.8423，F1 Score 报告为 0.8420。根据 F1 的计算公式 2*(P*R)/(P+R)，真实的 F1 应该约为 0.573。0.8420 与 0.573 相差甚远，这说明数据是人为填写的，根本没有通过混淆矩阵计算。
  2. 复制粘贴铁证：对比 Brain tumor（脑肿瘤）数据集的 VGG19 和 ResNet152 结果。ResNet152 的 Accuracy 是 0.8119（高于 VGG 的 0.7531），但神奇的是，两者的 F1_score (0.7388)、Precision (0.6723) 和 Recall (0.8199) 完全一模一样！在 Accuracy 提升了近 6% 的情况下，其余三个核心指标连小数点后四位都分毫不差，这在统计学上是不可能的，唯一的解释是作者在造假时直接复制了上一行的数据，只改了 Accuracy。
• 严重程度：🔴 (实锤造假)

发现 2：统计学与公式异常（连基本定义都搞错）

• 位置：Section "Experimental setup" (公式 5 和 6)
• 描述：作者在论文中堂而皇之地给出了错误的 Precision（精确率）和 Recall（召回率）的数学定义。
• 证据：
  • 公式 5 定义 Precision 为 tn / (tn + fp)。
  • 公式 6 定义 Recall 为 tn / (tn + fn)。
  • 这是极其荒谬的错误。在任何一本机器学习教材中，Precision = TP / (TP + FP)，Recall = TP / (TP + FN)。作者竟然用 True Negatives (TN) 来计算 Precision 和 Recall。这直接解释了为什么 Table 2 中的数据全都对不上号，因为作者用来生成表格的代码或者计算器，用的根本就是一套错误的逻辑！
• 严重程度：🔴 (根本性错误，证明缺乏基本学术素养或完全由 AI 随机生成)

发现 3：文本矛盾与逻辑错乱（量产型学术的 Copy-Paste 遗留）

• 位置：Page 11, Section "Supervised models"
• 描述：作者在文字描述中吹嘘模型性能，但数值与刚才的 Table 2 完全对不上，属于典型的“复制粘贴不同部分忘了改数据”。
• 证据：
  • 文本中写道：“In predicting brain tumours... Efficient Net attained an accuracy of 0.8671 and an F1 score of 0.8913.”
  • 我们回头再看 Table 2 的 Brain tumor 部分，EfficientNet_B7 的数据明明是 Accuracy = 0.8099, F1 = 0.7383。
  • 那作者写的 0.8671 和 0.8913 是哪来的？答案在 Table 2 的最后一个部分：这是 Leukemia（白血病） 数据集上 VGG19 的成绩！作者在写文字讨论时，直接把白血病的描述复制到了脑肿瘤段落里，连数字都没改。
• 严重程度：🔴 (毫无严谨性可言)

发现 4：引用与方法学异常（张冠李戴的参考文献）

• 位置：Section "Utilized dataset" 及 References
• 描述：作者引用的文献与声称使用的数据集完全不匹配，甚至出现了毫不相关的物理学和自然语言处理文献，疑似为了逃避查重或随意填塞参考文献。
• 证据：
  1. 脑肿瘤数据集引用错误：关于 Brain tumour dataset 的引用标号是 [39]。去参考文献列表查找 [39]，标题是 "One embedding space to bind them all"。这是一篇关于词嵌入的 NLP 论文，跟脑肿瘤 MRI 图像没有半毛钱关系。
  2. 白血病数据集引用错误：关于 Leukaemia dataset 的引用标号是 [40]。查找 [40]，标题是 "Analyzing embedding models for embedding vectors in vector databases"。这是一篇关于向量数据库的 IEEE 会议论文，根本不是什么德黑兰 Taleqani 医院的白血病骨髓涂片数据集。
  3. 无关的物理学引用：在介绍 DINO V2 时，引用了 [6]。查看文献 [6]，标题是 "Localization and delocalization of ground states of Bose-Einstein condensates under disorder"（玻色-爱因斯坦凝聚体基态的局部化）。把量子力学/物理学论文引用在医学图像分割中，简直离谱他妈给离谱开门，离谱到家了。
• 严重程度：🔴 (典型的使用工具自动生成或胡乱插入文献的特征)

发现 5：排版与数据异常（粗心大意的末位数字）

• 位置：Table 3 (Results of the self-supervised learning)
• 描述：DINO V1 在 10 Epochs 的表现数据中，出现了极其诡异的排版和数值。
• 证据：
  • Brain tumor 行，Accuracy 列的值竟然是 0.97.80。这是一个根本不存在的小数表示方法，极大概率是作者在手动编造数据时敲错了键盘，或者合并了两次修改的数值，且根本没有检查过表格。
• 严重程度：🟠 (证明作者连最基本的校对都没有做)

耿同学辣评

这篇论文简直是“学术缝合怪”的巅峰之作。写论文连 Precision 和 Recall 的公式都能用 True Negative 来凑？表格数据全靠复制粘贴和随机生成器，文字讨论直接把白血病的成绩硬塞给脑肿瘤，连文献引用都能把量子力学和词嵌入强行拽进医学影像里。这不是在做科研，这更像是在测试查重系统的底线！建议期刊编辑部立刻启动调查，作者还是先回炉重造一下小学的四则运算吧！

建议后续行动

• 向期刊编辑部举报，要求提供原始代码和计算过程
• 在 PubPeer 上提出质疑
• 通报作者所在机构学术委员会

⚠️ 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。