🔍 耿同学打假报告

论文信息

论文来源：Multi-Scale Feature-Based Classification Method.PDF
标题：Multi-Scale Feature-Based Classification Method for Colorectal Pathological Images
作者：Han Zhang, Xuefen Zhao, Wei Jia, Defeng Kong
期刊/会议：2025 Asian Conference on Artificial Intelligence Technology (ACAIT)
DOI：10.1109/ACAIT67930.2025.11522031
发表年份：2025

综合评定：🟠 高度可疑

详细发现

发现 1：基础公式存在致命复制粘贴错误（雷同度极高）

位置：Page 1006, Equation (8) & Equation (9)
描述：论文给出了 Recall 和 Precision 的定义公式。公式 (8) 写道：Recall = TP / (TP + FN)；紧接着公式 (9) 写道：Precision = TP / (TP + FN)。
证据：Precision（精确率）的经典定义应该是 TP / (TP + FP)。作者竟然把 Recall 的公式原封不动地复制了一遍，仅仅改了个名字。这说明作者在拼凑论文时极度敷衍，甚至连基础的数学公式都没有校对。这是学术搬砖流水线作业的典型暴露点。
严重程度：🔴（实锤级低级错误）

发现 2：实验存在严重的数据泄露嫌疑

位置：Page 1006, Datasets & Training details；Table III
描述：论文在 MedMF_colon 数据集上声称其模型 MSCC 达到了 99.07% 的准确率，F1-Score 高达 98.99%，相较于基准模型 VMamba 直接提升了 6.41%。然而，在方法描述中，作者明确写道：“The random seed is fixed at seed(0). The data were divided into training, validation, and test sets at a ratio of 6:2:2.”。
证据：在真实的病理图像分析中，同一病人的多张切片之间存在极高的相关性。如果不按“病人级别”划分数据集，而是直接随机按图片打乱划分，模型很容易学到特征性的噪点或染色伪影，从而在测试集上跑出 99% 这种“反直觉的完美”成绩。这是医学图像处理领域典型的新手错误或故意注水。结合全文仅测试了单一种子，没有交叉验证，该数据的水分极大。
严重程度：🟠（高度可疑）

发现 3：消融实验文本描述“精神错乱”

位置：Page 1007, Ablation Experiment 段落与 Table II
描述：文本在描述模块组合的消融实验结果时出现了明显的逻辑断裂和复制粘贴痕迹。原文写道：“Combining the MSDP and DBMA modules resulted in approximately 78.02% and 97.61%, while integrating MSDP and DBAM modules achieved approximately 78.66% and 97.65%.”
证据：作者不仅将 DBAM 和 DBMA 混用，而且前一句话刚说完“MSDP + DBMA”的效果，下一句话又说是“MSDP + DBAM”的效果。根据 Table II 的表头验证，作者实际上想表达的是 MSGC + DBAM 模块的组合！这种文本错误暴露出作者极大概率是在不同的草稿之间生硬地复制粘贴，甚至连自己加的什么模块都没搞清楚。
严重程度：🟠（高度可疑）

发现 4：评价指标数学不自洽（数据编造痕迹）

位置：Page 1006, Table I (Ablation Experiments on Param ∂)
描述：表格汇报了不同权重下的 ACC, Recall, Precision, F1-Score。F1-Score 作为精确率和召回率的调和平均数，其数值必然介于 Precision 和 Recall 之间。
证据：查看 Table I 中 MHIST 数据集、当 ∂ = 0.5 时：报告的 Recall 为 78.72，Precision 为 78.77，但 F1-Score 却写着 78.54！在数学上，78.72 和 78.77 的调和平均数不可能低于 78.72。这说明作者的 F1 数据要么是瞎编的，要么是用随机数生成器或错误脚本跑出来的，完全没有经过真实的数学推导。
严重程度：🟠（高度可疑）

发现 5：缺失的图像级证据

位置：全文 Figures
描述：本文提出了三个复杂的网络模块 (MSDP, MSGC, DBAM)，并附带多张网络架构图和热力图（Fig 1-6）。
证据：由于输入文本无法提供原始的高分辨率图像，无法进行 Western blot 式的像素级造假检测（如 PS 痕迹、图片翻转复用等）。但鉴于本文在公式、逻辑描述和数据上出现的严重“流水线”纰漏，其架构图的原创性和真实性也值得打一个巨大的问号。
严重程度：🟡（存疑，需后续验证）

耿同学辣评

这篇论文就像是让 ChatGPT 突击学习了一天医学图像处理然后赶工出来的“缝合怪”。最离谱的是，作者连“Precision = TP / (TP + FP)”这种大一基础公式都能抄错，直接把 Recall 的公式复制下来改个名字交差。连公式都懒得改，你指望他能在代码里老老实实地去算 F1-Score？所以看到表里出现 F1 分数比 Precision 和 Recall 都低的“阴间数据”，我一点儿也不意外。另外，深度学习跑出 99.07% 的病理图像分类准确率，大概率是把测试集的底裤都拿去训练了。把基本盘做好再吹牛吧！

建议后续行动

联系作者要求提供原始数据（强烈要求其解释 F1-Score 的计算公式和来源）
在 PubPeer 上提出质疑（公示其公式复制粘贴错误与数据异常）
向期刊编辑部举报（要求核查其代码开源库中是否真的存在“Patient-level split”）
向作者所在机构学术委员会举报（目前以要求作者澄清为主）

⚠️ 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。

Multi-Scale Feature-Based Classification Method for Colorectal Pathological Images