Loading...
正在加载...
请稍候

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

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
  • 作者:梁健
  • 期刊:南方医科大学硕士学位论文(2025年10月16日提交)
  • DOI:无(学位论文)
  • 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:🟠 高度可疑

详细发现

发现 1:核心实验数据违背临床常识与伦理("带病作业"的加速器)

  • 位置:摘要 / 英文摘要(第 I - II 页)
  • 描述:论文指出在对30例患者进行MLC(多叶准直器)校准前,MapCheck测得的Gamma通过率(3%/3mm)仅为 (88.80 ± 1.81)%,ArcCheck测得的通过率为 (87.61 ± 1.98)%。校准后则达到了 99.25%98.13%
  • 证据:在放射治疗物理的临床质控(QA)标准中,患者特定计划验证(PSQA)的Gamma通过率通常要求 >95%(部分医院严格要求 >90%)。如果机器的MLC偏差大到导致通过率掉到 87%-88% 的区间,这意味着直线加速器处于极其严重的故障状态。拿这种状态下的加速器去执行30例真实患者的VMAT计划验证,严重违背了放疗设备的日常质控(QA)底线与医疗安全伦理。如果这是人为故意调偏机器做的实验,这种巨大的机械偏差(通常意味着数毫米的叶片到位误差)在真实临床中是不可能发生的。为了凸显"校准的作用",这数据未免有些"用力过猛"。
  • 严重程度:🟠
  • 复核状态:✅ 成立

发现 2:统计学描述与计算极不合理(随机数生成器不如)

  • 位置:摘要 / 英文摘要
  • 描述:中英文摘要中关于统计学的 P 值报告存在混乱,且不符合数学逻辑。中文摘要显示 P < 0.05(OCR提取为户<005),英文摘要显示 P < 0.009
  • 证据:校准前后的样本量 n=30,均值差高达 10.45%(如88.80% 提升至 99.25%),而标准差(SD)仅为 1.81 和 0.53。在如此巨大的均值差异和极小的方差下,进行配对t检验得到的统计量 t 会是一个天文数字,实际的 P 值将远小于 0.000001。报告 P < 0.05P < 0.009 显得极其外行,说明作者可能根本不懂得如何正确报告统计学差异,甚至数据可能是凭空捏造后随便安了一个常见的 P 值阈值。
  • 严重程度:🟠
  • 复核状态:✅ 成立

⚠️ 发现 3:文本与排版细节粗糙

  • 位置:英文摘要(第 II 页)
  • 描述:英文摘要中的数据排版存在明显的格式错误和丢字现象。
  • 证据increased from 87.6士1.98%(漏了小数点和百分号位置混乱),with an average improvement of 10.45% 与下一行的 10.52% 逻辑衔接生硬。此外,方法学部分英文简写存在前后不一致的拼写错误,如前文写 Feature Fusion method (FDF),后文又变成 Multimodal fusion。虽然这可能只是文字校对不严,但结合前述的数据硬伤,反映出该论文在严谨性上大打折扣。
  • 严重程度:🟡
  • 复核状态:⚠️ 依据不足

⚠️ 发现 4:检测维度的局限性说明

  • 位置:全文
  • 描述:由于当前提供的材料仅为论文的封面、目录和中英文摘要(文本格式),缺乏正文的具体图表、原始数据表格以及深度学习的损失曲线/散点图。
  • 证据耿同学六式中的「第一式(图片复用检测)」、「第三式(图片拼接检测)」无法发挥。由于没有完整的实验数据表格,无法进行末位数字分布规律的深度「第二式」检测。需获取完整全文后方可做进一步像素级和数值级的实锤判断。
  • 严重程度:无
  • 复核状态:⚠️ 依据不足

耿同学辣评

摘要写得挺高大上,又是多模态深度学习,又是3D ResNet-18,结果一看底层的物理验证数据:好家伙,加速器叶片没校准前,Gamma通过率掉到 87%!这是在做放疗计划验证,还是在做"加速器破坏能力测试"啊?用这么烂的机器给病人过计划,这要是真发生在临床,物理师怕是要连夜被院长开除。为了证明"校准有用",硬凑出这种灾难级的基线数据,这P值算得比随机数生成器还要随心所欲啊!

建议后续行动

  • 联系作者及导师要求提供30例患者的原始QA测试报告与加速器日常质控记录(证明是否真的存在87%通过率的临床运行记录)。
  • 要求南方医科大学学位评定委员会对本文实验数据的真实性与伦理合规性进行调查。
  • 在 PubPeer 上提出针对该异常数据的学术质疑。
  • 获取论文完整全文,进行深度学习模型是否套壳及数据表格造假的进一步核查。

⚠️ 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。