# 🔍 耿同学打假报告

## 论文信息
- 标题：Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for Che-Xray Vision-Language Pre-training
- 作者：Lihong Qiao, Shiyi Gao, Yucheng Shu, Bin Xiao, Weisheng Li, Xinbo Gao
- 期刊/会议：Proceedings of the 33rd ACM International Conference on Multimedia (MM '25)
- DOI：https://doi.org/10.1145/3746027.3755336
- 发表年份：2025
- 论文来源：camera-ready-submission.pdf

## 综合评定：🟠 高度可疑

## 详细发现

### 发现 1：引用与参考文献张冠李戴（引文编号严重错乱）
- **位置**：Section 2.1, Section 2.2, Section 5.2 / 参考文献列表
- **描述**：正文中出现了大量明显错误的参考文献引用，引用编号与所声称的论文完全对不上，存在后期粗暴修改、拷贝模板或使用大语言模型（LLM）生成文本但未核对文献的强烈痕迹。
- **证据**：
  1. **Section 2.1** 中提到：“MedUnic [24] integrates multimodal medical data...”。但在参考文献列表中，**文献 [24] 是 Bo Liu 等人发表的关于 SAT 的论文**（"Improving medical vision-language contrastive pretraining with semantics-aware triage"）。Med-Unic 实际上对应的是文献 [34]（Zhongwei Wan 等人, 2024）。
  2. **Section 2.1** 中提到：“ReCO [12] avoids penalizing...”。但**文献 [12] 实际上是何恺明团队的 MAE**（"Masked autoencoders are scalable vision learners"）。ReCO 的作者和出处被凭空安到了 MAE 头上。
  3. **Section 5.2** 中提到：“the reconstruction-based MRM [46] outperforms MGCA [12]...”。这里再次把 MGCA 错误引用为 [12]（MAE），而 MGCA 真正对应的文献是 [35]。
- **严重程度**：🟠
- **复核状态**：✅ 成立

### 发现 2：表格数据与正文结论自相矛盾（过度解读实验结果）
- **位置**：Section 5.3.1 (Advantages of proposed components) 与 Table 4
- **描述**：作者在文字描述中强行得出了“模块带来普遍提升”的结论，但表格中的真实数据不仅没有支撑这一结论，反而表明核心模块在某些任务上导致了性能下降。
- **证据**：作者在正文声称：“The discriminative knowledge boosting alignment (DKBA) enhances representation learning, yielding performance gains of 5% on COVIDx and **2% on ChestX-ray14** in linear classification tasks.” 
然而，查看 Table 4 的消融实验数据：
  - 基线：79.1
  - 加 PAR：78.9 (下降)
  - 加 DKBA：81.0 (上升 1.9%)
  - PAR + DKBA (Full)：**80.8**。
在 ChestX-ray14 数据集上，**最终完整模型（80.8）的性能竟然比单独使用 DKBA（81.0）还要差！** 加上 PAR 模块反而拖了后腿。作者选择性地只汇报“比基线高”，完全无视了模块内部的负向冲突，存在明显的学术误导。
- **严重程度**：🟠
- **复核状态**：✅ 成立

### 发现 3：对照组基线数据出现“反常识”倒退
- **位置**：Table 2 (Results of semantic segmentation on SIIM and RSNA datasets)
- **描述**：在引用他人基线模型数据时，出现了随着训练数据量增加（从 10% 到 100%），性能反而明显下降的离谱现象。
- **证据**：在 Table 2 中，针对 **CNN-based GLoRIA [14]** 在 RSNA 数据集上的表现：使用 10% 训练数据时 Dice 系数为 **68.7**，而当训练数据增加到 100% 时，Dice 系数竟然跌落至 **68.3**。
对于深度学习分割模型而言，数据量增加导致性能下降是极其罕见的（除非遭遇极其严重的过拟合或代码存在根本性 Bug）。这一基线数据极其不自然，高度怀疑作者在复现/抄录对比数据时出现严重失误，或为了凸显自家模型（79.3）而人为压低了基线数据。
- **严重程度**：🟡
- **复核状态**：✅ 成立

### 发现 4：数据排版疑似存在人为修饰/错位
- **位置**：Table 1 (Linear classification results)
- **描述**：表格中部分对比方法的数值排版密集且格式诡异，与正常生成的 LaTeX 表格行为不符，疑似在排版时为了比对方便而人为修改了原始数据或格式。
- **证据**：在 ViT-based 组中，Med-UniC 的数据被排版为“89.4 89.7 90.891.993.193.780.389.594.5”。其中“90.891.993.1”之间完全没有空格。此外，MRM 在 CXP 的 10% 和 100% 数据集上的表现出现了“88.5 88.5 88.7”以及 RSNA 上的“90.9 92.3 92.7”这种极其微小且恒定的差值。虽然深度学习可能出现这种现象，但结合前面发现的错乱问题，此处存在手动修改表格文本的嫌疑。
- **严重程度**：🟡
- **复核状态**：✅ 成立

### 发现 5：图片像素级分析受限说明
- **位置**：Figure 1 ~ Figure 6
- **描述**：由于本次检测仅接收到论文的纯文本提取内容（PDF文本流），未包含原始的图片像素数据。
- **证据**：因此无法对 Figure 5 的 t-SNE 可视化降维图、Figure 6 的 Grad-CAM 注意力热力图，以及 Figure 2/3 的模型框架图进行噪点比对、边缘裁剪检测和 PS 痕迹分析。**（耿同学在此提醒：纯文本无法做图像查重，如需图片查重请上传带有完整像素的 PDF 或图片素材。）**
- **严重程度**：⚪ 信息不足
- **复核状态**：✅ 成立

## 耿同学辣评

这篇顶会论文的正文和参考文献简直是在玩“连连看”——不仅把 Med-UniC、MGCA、ReCO 的引文编号安排得明明白白（全错），在消融实验里更是玩了一手“掩耳盗铃”。加上模块性能反而下降，作者却能在正文里脸不红心不跳地写出“显著提升”，这数学阅读理解能力属实是“遥遥领先”。此外，对照组基线数据居然出现了数据量越多、性能越退步的反常识奇观，表格排版也出现了诡异的粘连。科研造假有时候是个技术活，但这篇论文的粗制滥造感，就像是用大模型跑完初稿后忘了检查就直接点击了 Submit。

## 建议后续行动

- [x] 联系作者要求提供原始数据（特别是关于 Table 4 中 DKBA+PAR 性能倒退的解释）。
- [x] 在 PubPeer 上提出质疑（重点指出引文错乱和 Table 2 基线倒退问题）。
- [ ] 建议核实实验代码（已开源：`https://github.com/Felix1118/PADKB`），跑通代码以验证表格真实性与引文对应关系。
- [ ] 若确认为系统性疏忽，建议向 ACM MM 2025 编辑部反映，要求发布 Errata 勘误。

## ⚠️ 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。