🔍 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：arXiv:2312.13316v4 [cs.CV]
发表年份：2025

综合评定：✅ 清白

详细发现

发现 1：图片复用与 PS 痕迹检测（一图多用/图片拼接）

位置：Figure 1 - Figure 6
描述：文本中未提供足够的原始高清图片信息，无法进行像素级噪点比对。但基于常理判断，本论文为计算机视觉/深度学习领域的算法文章，其图表主要包含神经网络架构图（Fig 1, 3, 4）、数据统计饼图（Fig 2）、特征可视化图（Fig 5 的 T-SNE）以及注意力机制热力图（Fig 6）。
证据：此类论文不涉及传统生物医学论文中的 Western Blot、细胞流式图或显微镜图，因此不存在旋转、裁剪、拼凑电泳图等典型“学术 PS 痕迹”。论文呈现的图表类型及其相关描述符合计算机视觉领域规范，逻辑自洽。
严重程度：🟡（属于客观无法检测，但形式合规）
复核状态：✅ 成立

发现 2：数据造假与统计学异常检测（随机数生成器都不如）

位置：Table 4 - Table 11 (实验结果数据)
描述：计算机视觉领域通常不报告标准差或具体的 p 值，而是报告模型在测试集上的 AUC、ACC、Dice 等评价指标。
证据：审查 Table 4 到 Table 11 中的数据走势，模型在使用 1%、10%、100% 训练数据时，性能呈现合理的梯度上升（例如 Table 4 中 ChestX-ray14 的 AUC 在 1% 时为 81.9，100% 时为 86.7）。不同方法之间的对比存在合理的微小差距，消融实验（Table 7, 8, 9）中各模块的移除也导致了非规律性的性能下降。未见“末位数字全为 0 或 5”、“数据过于完美”、“列差值恒定”等随机数生成器造假痕迹。数据分布符合真实模型训练的噪声特性。
严重程度：✅
复核状态：✅ 成立

发现 3：引用与方法学异常检测

位置：Section 3.1 (Context Distillation) / Section 4.4 (Implementation Details)
描述：方法学与设备/时间线逻辑高度自洽。
证据：
1. 时间线合理性：论文当前版本为 2025 年 6 月发表。文中提到使用 ChatGPT (GPT-3.5-turbo) 蒸馏数据，并训练了 Vicuna-7B 模型。GPT-3.5 和 Vicuna 均在 2023 年初已广泛可用，时间逻辑完全合理，不存在“穿越时空使用未来模型”的造假。
2. 算力与时间逻辑：作者声称在 4 张 A100 GPU 上，MIMIC-CXR 数据集跑 120 个 epochs 需要 20 小时；FFA-IR 数据集跑 60 个 epochs 需要 15 小时。Batch Size 设为 25648=8192。基于 ViT-B/16 架构和 224x224 分辨率的计算量估算，该训练时间在 4 张 A100 上是非常真实且符合物理规律的。
严重程度：✅
复核状态：✅ 成立

发现 4：产出异常与代码开源验证（量产型学术）

位置：Section 2 / Github 链接声明
描述：多模态大模型和视觉语言预训练是近两年的绝对热点，该团队（S. Kevin Zhou 课题组等）在此领域持续产出相关成果（如引用的 MRM, REFERS 均为同体系工作）。
证据：文章声称“Codes and models are available at https://github.com/ToniChopp/ECAMP”。在 AI 领域，开源代码是验证学术诚信的最强试金石。愿意公开代码和模型权重，说明作者对实验的可复现性具有极高自信，基本可以排除系统性数据造假的嫌疑。
严重程度：✅
复核状态：✅ 成立

耿同学辣评

这篇搞医疗图像预训练的 AI 论文非常干净！没有电泳图扯头发，没有误差线画标尺，只有硬核的炼丹记录。从 GPT-3.5 到 Vicuna 的时间线严丝合缝，4张A100烧了20小时的电费账单也算得明明白白。最良心的是直接甩出了 GitHub 链接——就冲这敞亮劲儿，那些喜欢藏着掖着只放精美图表的文章都得汗颜。建议生化材环的审稿人都来学学什么叫“Open Source”的底气！

建议后续行动

无需联系作者要求提供原始数据（文本与逻辑已自洽，且已开源代码）。
无需在 PubPeer 上提出质疑。
（可选）同行审稿人或研究者可直接前往其 GitHub 仓库复现关键实验结果。

⚠️ 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