🔍 耿同学打假报告

论文信息

论文来源：Lung_Cancer_Whole_Slide_Image_Classification_Method_Based_on_Dual-Branch_Mamba.pdf
标题：Lung Cancer Whole Slide Image Classification Method Based on Dual-Branch Mamba
作者：Qi Zhang, Wei Jia, Defeng Kong, Xuefen Zhao
期刊/会议：2025 Asian Conference on Artificial Intelligence Technology (ACAIT)
DOI：10.1109/ACAIT67930.2025.11522027
发表年份：2025

综合评定：🟠 高度可疑

(注：由于当前日期为 2026-06-18，该论文处于已发表状态。虽然未发现直接的“一图多用”等生物医学传统造假痕迹，但本论文在数据处理、文本严密性以及学术规范上存在大量“粗制滥造”的痕迹，高度疑似赶工凑会的“灌水”型文章。)

详细发现

发现 1：参考文献与引用异常（典型复制粘贴未清理痕迹）

位置：References [7], [2] 与 [9]
描述：参考文献列表中出现了不该出现的“幽灵文献”和重复引用。
证据：
1. 未删除的模板文献：参考文献 [7] 引用了 “Y. Yorozu, M. Hirano, K. Oka, and Y. Tagawa, "Electron spectroscopy studies on magneto-optical media and plastic substrate interface," IEEE Transl. J. Magn. Japan, vol. 2, pp. 740–741, 2021.” 这是 IEEE 官方 LaTeX 模板中自带的默认示例参考文献！作者在拼凑论文时连模板自带的内容都忘了删。
2. 重复引用：参考文献 [2] 和 [9] 引用的是完全同一篇文献（作者、期刊、卷号、页码完全一致），这说明作者在引用管理上极度混乱。
严重程度：🟠

发现 2：文本与表格数据矛盾（数据造假/粗心大意检测）

位置：Section III.D (Comparative Experiments) 正文与 TABLE V
描述：正文报告中引用的 ACC（准确率）数据与表格中展示的数据存在明显冲突，且存在 F1-score 的数学不自洽。
证据：
1. 张冠李戴的数据：正文写道 "Specifically, it achieves an AUC of 94.03%, an ACC of 88.74%, and Precision, Recall, and F1-score values of 92.11%, 89.50%, and 90.78% respectively." 然而查看 TABLE V 的 DBMC 行，对应的 ACC 明明是 89.74%。
2. F1-score 数学不自洽：基于 TABLE V 中 DBMC 的 Precision (92.11%) 和 Recall (89.50%) 进行验算，真实的 F1-score 应该是 $2 \times \frac{0.9211 \times 0.8950}{0.9211 + 0.8950} = 0.9076$ (即 90.76%)。但表格和正文里却赫然写着 90.78%。深度学习的测试指标通常是程序直接输出的，这种误差说明数据可能是手动计算或后期修改过的。
严重程度：🟠

发现 3：消融实验数据违背常理（过度完美的数据生成器）

位置：TABLE II 与 TABLE III (Ablation Experiments)
描述：消融实验的指标变化呈现极度可疑的规律性，缺乏真实模型训练中应有的波动。
证据：在 TABLE II 中，Base 模型的指标为 89.87 / 86.51 / 85.54 / 85.32 / 85.42。当加入各种模块后，几乎所有指标的上升幅度都在小数点后 0.1 到 0.5 之间极其均匀地爬升。没有任何指标出现下降或异常波动。特别是最后一行（全部模块加入），指标极其完美地全面超越了所有单模块组合。这种“教科书式平滑且单向递增”的数据，在真实的深度学习消融实验中非常罕见，疑似模型尚未跑出真实结果，而是人为捏造了呈递增趋势的数字填入表格。
严重程度：🟡

发现 4：时间线与技术名词冲突

位置：Section I (INTRODUCTION) 及相关引用
描述：论文提出了“Dual-Branch Mamba”的概念，并在方法部分大篇幅强调了从 Mamba2 中引入 Structured State Space Duality (SSD) 的优势。
证据：论文引用了预印本论文 "Mamba2MIL: State space duality based multiple instance learning for computational pathology, arXiv:2408.15032, Aug. 2024"。虽然时间线上（2025年发表）引用 2024 年的文献是合理的，但这反映出作者的核心创新点极其单薄，仅仅是把 2024 年 8 月份别人提出的 Mamba2 SSD 架构套用在肺癌病理图像上，并强行拆分命名为 MLDMamba 和 GSPMamba，具有极强的“换壳灌水”特征。
严重程度：🟡（属于学术价值层面的质疑）

耿同学辣评

这篇论文主打一个“只要我不尴尬，尴尬的就是审稿人”。连 IEEE 官方模板里的磁光介质幽灵文献（Ref [7]）都敢直接留着当亲儿子供着，生怕别人不知道这篇论文是临时拼凑赶工出来的“杰作”。前脚正文里写着 ACC 88.74%，后脚表格里就敢写 89.74%，甚至连 F1 分数手算都算不明白。深度学习论文硬是写出了“掌上计算器都按不明白”的错觉，这种科研态度，属实是把学术发表当成了连连看啊！

建议后续行动

要求作者提供原始代码与训练日志：鉴于消融实验数据过度完美，以及 F1 指标计算错误，强烈建议要求作者开源代码或提供 Tensorboard/WandB 日志以自证清白。
在 PubPeer 上提出质疑（针对模板残留文献和文本表格数据冲突）。
联系会议组委会（ACAIT 2025），指出其审稿极不严谨，居然放任带有官方模板示例文献的论文录用。
不需要进行图片打假：由于这是计算机领域的论文，未提供病理原图和热力图等可视化结果，无法进行 Western Blot 等图像层面的 PS 痕迹分析。

⚠️ 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。

Lung Cancer Whole Slide Image Classification Method Based on Dual-Branch Mamba