🔍 耿同学打假报告

论文信息

标题：ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training
作者：Rongsheng Wang, Qingsong Yao, Zihang Jiang, Haoran Lai, Zhiyang He, Xiaodong Tao, S. Kevin Zhou
期刊：Medical Image Analysis (2025)
DOI：未在文本中明确提供（arXiv 预印本编号：arXiv:2312.13316v4）
发表年份：2025
论文来源：2312.13316v4.pdf

综合评定：✅ 清白

详细发现

发现 1：数据造假检测（交叉验证异常自洽）

位置：Table 4, Table 5, Table 7, Table 9
描述：在 AI/深度学习领域的论文中，造假者经常在消融实验和主实验中顾此失彼，导致数据对不上。对本文的核心数据进行交叉比对后发现，数据具有极高的一致性。
证据：
1. Table 4（微调）中 ECAMP 在 COVIDx 数据集 10% 和 100% 数据下的 ACC 分别为 95.5 和 97.5；而 Table 5（线性探测）中对应的数据为 95.0 和 96.0（线性探测低于微调，逻辑合理）。进一步对比 Table 9（超参数消融），当 $\lambda_{neg}$ = 0.05 时，其数值与 Table 5 完美对应。
2. Table 7 的最后一行（完整模型）数据（如 ChestX-ray14 1% 为 81.9）与主表 Table 4 中的 ECAMP 数据完全一致。
严重程度：🟢（数据自洽，未见随机数生成器痕迹）
复核状态：✅ 成立

发现 2：方法学异常（宣称与实际数量完美吻合）

位置：Abstract / Section 3.1 / Table 1 / Fig 2
描述：许多“注水”论文在摘要和图表中吹牛的数量，在正文中往往对不上。本文经详细核算，数量逻辑严密。
证据：
1. 摘要中宣称在“5 public chest X-ray and 4 fundoscopy datasets”上做了实验。经核对正文 4.2 节，X-ray 确实是 ChestX-ray14, CheXpert, RSNA, COVIDx, SIIM（5个），Fundoscopy 确实是 ODIR-5K, APTOS-2019, MuReD, RIGA（4个）。
2. 正文 3.1 节声称“manually curate a list of 44 entities”，经盘点 Table 1 中的实体列表，恰好分为 11 行 4 列，共 44 个实体。
3. Fig 2 提到实体占比为 48.6%，根据给出的数字计算：1,970,487 / (2,087,102 + 1,970,487) ≈ 48.56%，完美四舍五入。
严重程度：🟢（真实学术工作的严谨体现）
复核状态：✅ 成立

发现 3：统计学与实验逻辑异常检测（不完美的完美）

位置：Table 7
描述：真正的消融实验往往会出现“去掉某个模块后，在某个特定数据集的某个特定比例下反而性能上升”的噪声现象，而造假者往往会把所有分支都故意做得比完整模型低。
证据：在 Table 7 的消融实验中，倒数第二行（仅去掉 Global feature，即 ✓ ✓ ✓ ✓ × ✓）在 RSNA 数据集上的 mAP 表现（1% 时为 20.4，10% 时为 28.2）竟然超过了完整模型（最后一行，1% 时为 19.8，10% 时为 28.0）。这种不违背基本物理/数学规律下的“微小瑕疵”和“数据噪声”，恰恰是真实跑模型调参时常有的现象。
严重程度：🟢（符合真实实验规律）
复核状态：✅ 成立

发现 4：时间线冲突检测

位置：Article History / Methods
描述：基于当前日期审查其使用的技术和发表时间线。
证据：该论文使用了 GPT-3.5-turbo API 和 Vicuna-7B（均为 2023 年初发布的模型），并于 2025 年发表于 Medical Image Analysis，时间逻辑完全合理，不存在“穿越”使用未发布模型或试剂的问题。
严重程度：🟢
复核状态：✅ 成立

耿同学辣评

这篇论文真可谓是“学术界的良心”！虽然没有 Western blot 图可以让我们抓 PS 痕迹，但作为严谨的 AI 论文，它的数字就像是拿着放大镜对齐过一样——主表、消融表、摘要、实验设置，环环相扣，连小数点后的数据都能跨表对应。更绝的是，造假者最喜欢画大饼，宣称用 44 个实体就是 44 个，宣称 9 个数据集就是 9 个，甚至还在消融实验里保留了“去掉个模块反而涨点”的真实翻车现场。这种连“微小的瑕疵”都透着真实感的论文，一看就是显卡实实在在烧出来的，没得黑！

建议后续行动

无需联系作者要求提供原始数据
无需在 PubPeer 上提出质疑
无需向期刊编辑部举报
各位同学可以放心引用，或去 GitHub（https://github.com/ToniChopp/ECAMP）复现他的代码

⚠️ 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。

ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training