🔍 耿同学打假报告

论文信息

• 标题：Dual-Energy CT Deep Learning Radiomics to Predict Macrotrabecular-Massive Hepatocellular Carcinoma
• 作者：Mengsi Li, Yaheng Fan, et al. (Bingsheng Huang, Jin Wang 为通讯作者)
• 期刊：Radiology (Volume 308: Number 2—August 2023)
• DOI：https://doi.org/10.1148/radiol.230255
• 论文来源：li-et-al-2023-dual-energy-ct-deep-learning-radiomics-to-predict-macrotrabecular-massive-hepatocellular-carcinoma.pdf

综合评定：✅ 清白 (基于文本与数据的初步审查)

详细发现

发现 1：图片复用与拼接检测（第一式与第三式）

• 位置：Figure 1-6 及补充材料
• 描述：尝试寻找潜在的图片旋转、翻转、裁剪、背景噪点重复或 PS 拼接痕迹（尤其是 Western Blot 或凝胶电泳图常见的造假重灾区）。
• 证据：这是一篇纯粹的影像学（放射学）与深度学习交叉的论文，核心数据为 CT 图像、ROC 曲线和列线图。文本中未提供足够的图片信息，无法进行像素级分析。但根据其展示逻辑（患者入选流程图、深度学习工作流、CT参数图及热力图、特征图、校准曲线），符合顶级影像学期刊的规范，未在文本层面发现明显的图片描述自相矛盾之处。
• 严重程度：N/A（无法检测）

发现 2：数据造假检测（第二式）—— "连数学题都算得严丝合缝"

• 位置：Table 1, Table 3, Table 4 (第 5-7 页)
• 描述：逐一验算论文中报告的关键数学数据和百分比。
• 证据：
  1. 比例计算极度自洽：Table 4 中，Training Data Set 的敏感度声明为 95%，并标注了原始数据 [42/44]。计算得知 \(42 \div 44 = 95.45\%\)，四舍五入即为 95%。特异度声明为 77% [79/102]，计算 \(79 \div 102 = 77.45\%\)，完全吻合。外部测试集敏感度 80% [24/30]，特异度 90% [46/51] 均分毫不差。
  2. 似然比计算完美：Table 4 脚注给出了公式。以训练集为例，阳性似然比 = 敏感度 / (1 - 特异度) = 0.9545 / (1 - 0.7745) = 4.23，论文报告值正是 4.23；阴性似然比 = (1 - 敏感度) / 特异度 = 0.0455 / 0.7745 = 0.058（四舍五入为 0.06），论文报告值正是 0.06。
  3. 回归系数与 OR 值匹配：Table 3 中，AFP level 的 \(\beta\) 值为 1.86，\(e^{1.86} \approx 6.42\)，论文报告的 OR 值为 6.43（考虑小数保留精度的微小差异，完全合理）。
• 严重程度：🟢 (表明数据极大概率来源于真实的统计分析软件输出，而非人工编造。人造数据往往会在这种交叉验证的数学计算中露出马脚)。

发现 3：统计学异常检测（第四式）—— "没有刻意凑显著的 P 值"

• 位置：Table 3, Table 4 及正文结果部分
• 描述：检查 P 值分布、置信区间宽度以及统计方法的适配度。
• 证据：在临床回归模型中（Table 3），作者极其坦诚地报告了几个 P 值接近或大于 0.05 的变量（Sex: P=.05, Platelet count: P=.08）。真正的造假者往往会对这些变量进行“清洗”或使用 p-hacking 手段将其压至 0.05 以下。模型的 AUC 置信区间具有合理的宽度（如 Internal test set 的 AUC 为 0.87，95% CI 为 0.72-1.00，这反映了 35 例小样本验证集带来的正常统计学波动，非常真实）。模型性能并非“完美无缺的 0.99”，而是符合常规医学影像 AI 模型的 0.85-0.91 区间。
• 严重程度：🟢 (统计学表现诚实)

发现 4：产出异常与时间线检测（第五式与第六式）—— "找不出破绽的时间线"

• 位置：Materials and Methods, Results (Follow-up)
• 描述：以当前日期（2026-06-17）为基准，审查实验、随访、投稿与发表的时间逻辑。
• 证据：
  1. 随访时间线无懈可击：论文声明患者入组时间为 2019 年 6 月至 2022 年 6 月，随访截止日期为 2023 年 3 月 31 日。论文于 2023 年 2 月投稿，6 月修回，8 月正式发表。这意味着在投稿时，最新的患者刚好满足随访满 9 个月左右，修回期间刚好达成了 3 月底的随访终点。时间线严丝合缝，符合临床回顾性研究的正常节奏。
  2. 软件版本符合逻辑：ITK-SNAP (v3.8.0 发布于 2019 年)，UCTransNet (引用的是 AAAI 2022 的文章，使用于 2022-2023 年的实验中)，PyRadiomics (v3.0.1)。完全没有出现“使用未来才发布的软件版本”的低级穿越错误。
• 严重程度：🟢

耿同学辣评

在满地都是“随机数生成器造数据”和“复印机拼图”的学术圈，这篇论文简直老实得让人心疼。作者不仅把分母分子清清楚楚地写在表格括号里等你验算，连似然比的公式都恨不得在脚注里手把手教你算一遍。数学逻辑严丝合缝，时间线理直气壮，一些边缘变量 P>0.05 也大大方方写出来不掩饰——这活脱脱就是一个刚做完真实实验、跑完真实代码、底气十足的真学霸形象。真金不怕火炼，真数据不怕算！

建议后续行动

• 联系作者要求提供原始数据 (基于目前分析，暂无必要)
• 在 PubPeer 上提出质疑 (未发现实质性疑点)
• 向期刊编辑部举报 (判定为清白)
• 作为优秀文献进行学习或引用

⚠️ 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。
(注：由于仅依据纯文本进行分析，缺乏对 CT 原始影像图和深度学习热力图的像素级审查能力，本报告主要针对文本逻辑、数学自洽性和时间线进行了审查。)