🔍 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

详细发现

发现 1：数据造假检测（离谱的公式与数据矛盾）

• 位置：Table 2 / Section "Results" (Equations 4-7)
• 描述：作者连最基础的机器学习评价指标定义都搞错了，导致表格中的数据存在无法解释的数学矛盾。
• 证据：
  1. 公式写错：在 Equation 5 中，作者将 Precision 定义为 \(tn / (tn + fp)\)（这其实是特异度 Specificity）；在 Equation 6 中，将 Recall 定义为 \(tn / (tn + fn)\)（这其实是阴性预测值 NPV）。真正的 Precision 是 \(tp / (tp + fp)\)，Recall 是 \(tp / (tp + fn)\)。
  2. 表格数据离谱复制：在 Table 2 的 Brain Tumor（脑肿瘤）数据集中，VGG19 和 ResNet152 的 Accuracy 明明不同（0.7531 vs 0.8119），但是它们的 F1_score、Precision 和 Recall 竟然完全一模一样（分别为 0.7388, 0.6723, 0.8199）。在数学上，如果两个模型的 Accuracy 差了将近 6 个百分点，其混淆矩阵的 TP/TN/FP/FN 分布绝对不可能推导出完全一致的三项指标。这是典型的捏造数据或复制粘贴时的低级失误。
  3. 多分类 Recall 等于 Accuracy：Table 2 中 Retina 数据集的 ResNet152 和 EfficientNet，其 Recall 的值竟然完全等于 Accuracy（如 0.8423 和 0.8139）。在四分类的视网膜疾病任务中，这种巧合违背统计学常识。
• 严重程度：🔴（硬伤，基本数学概念全错，数据高度可疑）

发现 2：文本逻辑与排版异常（AI 生成痕迹或极差的质量控制）

• 位置：Abstract / Section "Results" / Figure Captions
• 描述：全文存在大量逻辑断裂、图号引用混乱和低级笔误，疑似未经人工校对的 AI 生成文本（LLM幻觉）或不同版本论文的胡乱拼接。
• 证据：
  1. 摘要数据对不上：摘要中写道 "DINO V2 provides 100%, 99%, 99%, 100 and 95% for classification accuracy..."，请注意，这里列出了 5个 百分比，但作者只提到了 4个 数据集（Lung cancer, brain tumour, leukaemia, Eye Retina Disease）。凭空多出来一个数据！
  2. 图号时空错乱：第 10 页明确说明 "Fig. 8. Proposed framework."，但翻到第 12 页，文本却突然变成 "Figures 8 and 9 show a comparison between all supervised learning models."。Figure 8 既是指整体框架图，又变成了模型对比柱状图。
  3. 离谱的数字格式：Table 3 中，DINO V1（10 Epochs）在 Brain tumor 的 Accuracy 竟然写成了 "0.97.8"，这种带有两个小数点的数字，Excel 都要报错了。
• 严重程度：🔴（根本没读过自己写的论文，毫无学术严谨性）

发现 3：引用与方法学异常（张冠李戴的参考文献）

• 位置：References / Section "Dino V2"
• 描述：引用的文献与所陈述的内容严重不符，暴露出作者可能是随机抓取文献填充 bibliography。
• 证据：
  1. 引用物理学论文解释 SSL：Reference 6 (Altmann, R... 2022) 被用于支持自监督学习的概念。然而，这篇论文的标题是 "Localization and delocalization of ground states of Bose-Einstein condensates under disorder"，这是一篇纯物理学的量子力学论文！跟医学图像和自监督学习八竿子打不着。
  2. DINOv2 核心引用错误：在介绍 DINO V2 时，作者引用了 Reference 5 (Huang, G. et al. DINO-Mix...)，但真正的 DINOv2 官方论文被放在了 Reference 33 (Oquab, M. et al.)。
• 严重程度：🟠（典型的学术拼凑怪象）

发现 4：产出异常检测（张冠李戴的统计检验）

• 位置：Section "Statistical test"
• 描述：声称进行了 Friedman 和 Nemenyi 统计检验，但没有报告任何关键统计量（如卡方值、p值），且结论与展示的图表类型不符。
• 证据：文本声称 "As shown in the figures..." 并且提到了 critical difference (CD)。通常 CD 图表会以折线或节点图展示模型间的显著性差异，但作者在此处展现的排版和描述极其含糊，缺乏支撑 "SSL 显著优于 SL" 这一结论的实质统计学证据。
• 严重程度：🟠（学术虚张声势）

发现 5：时间线冲突检测（期刊审核时间悖论）

• 位置：论文末尾收稿日期
• 描述：时间逻辑存在无法解释的悖论。
• 证据：文末标注 "Received: 7 October 2024; Accepted: 8 August 2025"。假设当前是 2026 年，这个时间线在现实中是可能的。然而，这篇充斥着 AI 痕迹、连 Precision 和 Recall 公式都写错、参考文献乱引的“水刊水文”，在 Scientific Reports 竟然经历了长达 10个月 的审稿才被接收。这说明要么期刊完全没有进行对口的专业同行评审，要么作者在提交前经历了极其漫长且不负责任的自我修改周期。
• 严重程度：🟡（侧面印证文章质量控制极差）

耿同学辣评

这篇文章简直是学术界的“缝合怪”！摘要里列出了 4 个病种却给出了 5 个准确率，不知道的以为作者在医学界发现了第五元素；Results 部分更是“独创”了机器学习新公式，把 Precision（精确率）硬生生给定义成了 Specificity（特异性）。最绝的是，为了证明模型好，竟然在表格里对不同模型直接“复制粘贴”评价指标，连 Accuracy 都不一样，F1 分数却能一模一样，真当审稿人和读者都不懂数学吗？连参考文献都能引用到“爱因斯坦-玻色凝聚”上去，你们是在用物理学魔法给 DINOv2 施法吗？把 ChatGPT 写的内容直接点石成金发到 Nature 子刊，老老实实承认是 AI 辅助生成会死吗？

建议后续行动

• 联系作者要求提供原始数据（特别是 Table 2 的混淆矩阵底稿）
• 在 PubPeer 上提出质疑（重点公示公式错误和表 2 的数据雷同）
• 向期刊编辑部举报（要求核查实验数据的真实性以及是否违规使用 AI 写作）
• 向作者所在机构学术委员会举报

⚠️ 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。