宫颈癌VMAT计划验证Gamma通过率影响因素分析和预测模型构建 (Predicting Gamma Passing Rates in Cervical Cancer VMAT Plan Verification: An Analysis of Contributing Factors and Model Development)
2026-08-06 15:10
🔍 耿同学打假报告
论文信息
- 标题：宫颈癌VMAT计划验证Gamma通过率影响因素分析和预测模型构建 (Predicting Gamma Passing Rates in Cervical Cancer VMAT Plan Verification: An Analysis of Contributing Factors and Model Development)
- 作者：梁健
- 导师：宋婷 副教授
- 机构/期刊：南方医科大学（硕士学位论文）
- DOI：无（学位论文）
- 发表/提交年份：2025年10月16日提交
- 论文来源：宫颈癌VMAT计划验证Gamma通过率影响因素分析和预测模型构建_梁健.pdf
综合评定：🟡 存疑
详细发现
注：本次输入内容仅为论文的封面、中英文摘要及目录部分，未包含正文图表、完整方法学描述及原始数据表格。基于“耿同学六式”对现有文本进行全面扫描，未发现明显学术不端红旗信号，具体复核分析如下：
发现 1：数据逻辑与统计学初步自洽（第二式/第四式 检测通过）
- 位置：中文摘要 / 英文摘要
- 描述：对摘要中报告的 GPR（Gamma通过率）提升数据进行数学交叉验证。
- 证据：
- MapCHECK：(99.25 - 88.80) / 88.80 × 100% ≈ 11.76%；若按绝对百分比提升则为 10.45%，文中声明“平均提高 10.45%”，数据逻辑自洽。
- ArcCHECK：(98.13 - 87.61) / 87.61 × 100% ≈ 12.00%；绝对百分比提升 10.52%，文中声明“平均提高了 10.52%”，逻辑自洽。
- 标准差（SD）呈现正常的非整数分布（如 ±1.81, ±0.53, ±1.98, ±0.99），没有出现“随机数生成器造假”时常见的过度整齐现象。
- 深度学习模型指标（MAE=0.0167, ACC=86.84%）符合当前医学图像处理的正常表现水平，未呈现脱离物理规律的“完美预测”。
- 严重程度：🟢 正常
- 复核状态：✅ 成立
发现 2：时间线与设备逻辑合理性（第五式/第六式 检测通过）
- 位置：封面 / 摘要
- 描述：审查实验设备与研究时间的匹配度。
- 证据：
- 论文提交日期为 2025年10月16日，时间线符合正常的学术论文答辩与提交逻辑。
- 论文采用的设备为 Sun Nuclear 公司的 MapCHECK 和 ArcCHECK，以及 3DVH 软件，这些都是放射治疗（VMAT）患者特异性质量保证（PSQA）领域极为经典且广泛使用的商用设备，不存在“编造不存在设备”的嫌疑。
- 采用的 3D ResNet-18 为成熟的深度学习主干网络，符合当前研究现状。
- 严重程度：🟢 正常
- 复核状态：✅ 成立
⚠️ 发现 3：图片复用与拼接检测受限（第一式/第三式 无法检测）
- 位置：全篇
- 描述：由于提供的内容仅限于文字摘要，缺乏具体的 Figure（如剂量分布对比图、Gamma通过率散点图、模型结构图、loss曲线）以及完整的实验原始数据表格。
- 证据：当前文本中未提供任何图片像素信息或图表caption，无法进行像素级分析和 PS 痕迹检测。
- 严重程度：⚪ 暂无法评估
- 复核状态：⚠️ 依据不足
耿同学辣评
这篇放疗物理与深度学习交叉的硕士论文，单看摘要这“浓眉大眼”的数据是很靠谱的，实验设计合情合理，提升幅度的算盘打得一点毛病没有。不过咱也得把话说明白：由于目前只复核了文本部分，而缺乏正文图表的像素级视觉证据，打假火力暂时受限。就现有文本依据而言，数据逻辑高度自洽，是一份很干净的开场白，但在获取完整图文全貌前，依然得保持客观审慎的态度。
建议后续行动
- 基于摘要数据无需联系作者提供原始数据（摘要数据高度自洽）。
- 若需彻底排除造假，需获取论文完整全文，重点检查：
- 深度学习模型的训练集/测试集划分是否存在数据泄露。
- 实际的 DVH 剂量分布对比图是否存在过度调色的 PS 痕迹。
- 论文目录中提及的后续章节的具体数值表格是否存在末位数字异常。
⚠️ 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。