🔍 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：The_Name_of_the_Title_Is_Hope__2_ (1).pdf

综合评定：🔴 实锤

详细发现

发现 1：机械性数据捏造（疑似直接在Baseline上加常数）

位置：Table 1 (CheXpert 数据集结果列)
描述：在 CheXpert 数据集上，本文 "Ours" 的结果（1%, 10%, 100% 数据比例）与对比模型 MRM 的结果存在极其荒谬的数学规律。
证据：仔细比对 MRM 和 Ours 在 CheXpert (CXP) 上的 AUC 业绩：
- 1% 数据：MRM = 88.5，Ours = 89.5 （差值 = +1.0）
- 10% 数据：MRM = 88.5，Ours = 89.5 （差值 = +1.0）
- 100% 数据：MRM = 88.7，Ours = 89.7 （差值 = +1.0）
  三个不同训练比例下的绝对性能差值竟然全是 +1.0！更可笑的是，真实实验中 1% 和 10% 训练数据的 AUC 不可能一模一样（MRM 都是 88.5，Ours 都是 89.5）。这绝对不是跑出来的真实数据，而是造假者直接复制了 Baseline 的数字，然后脑抽般地全部机械加上 1.0。
严重程度：🔴
复核状态：✅ 成立

发现 2：核心消融实验与主表数据自相矛盾（掩盖性能下降）

位置：Table 4 与 Table 1
描述：消融实验显示本文的核心模块组合不仅没提升，反而在主要分类任务上导致性能下降，作者直接掩耳盗铃，在正文主表中硬塞入较差的数据当作 SOTA。
证据：在 Table 4 中，单独使用 DKBA 模块在 ChestX-ray14 上 AUC 达到 81.0；但同时开启两个核心模块（PAR + DKBA，即主模型 "Ours"），AUC 却跌到了 80.8。作者在 5.3.1 节的正文解读中完全无视了这个性能倒退（80.8 < 81.0），强行宣称两者互补。这说明所谓的“双剑合璧”实际上是“负优化”，作者大概率是为了硬凑故事，强行挑选了对自己有利的数据排列组合。
严重程度：🔴
复核状态：✅ 成立

发现 3：竞争性数据的“精准微操”

位置：Table 1 (RSNA 数据集列)
描述：在与使用了额外数据的超强对手 Med-UniC (带*号) 对比时，本文的数据呈现出极其可疑的“恰好碾压”特征。
证据：在 RSNA 数据集上，Med-UniC 的成绩为 91.9, 93.1, 93.7。而本文 Ours 的成绩为 92.1, 93.2, 93.8。增量分别为 +0.2, +0.1, +0.1。在完全不同的模型架构和训练机制下，以如此精准且微小的差值（0.1~0.2）全面压制一个用了额外数据的前沿模型，这更像是手动在键盘上敲数字，以确保“刚好赢你一点点”。
严重程度：🟠
复核状态：✅ 成立

发现 4：公式规范性与拼写错误

位置：Equation (9) 及上下文
描述：核心公式存在不规范的写法。
证据：公式 (9) 写为 h_i = FFN(LN(MCA(LN(Q,K,V))))，将 Q, K, V 放在同一个 LayerNorm 内，这在 Transformer 数学逻辑上是不成立的（Q和K维度可以不同）。此外，方法学部分 3.1 节将 absent 拼写为 "abesent"（"We remove entities classified as abesent."），虽是拼写错误，但也反映出写作与校对的极度粗糙。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

好家伙，别的模型是靠炼丹调参，你们家的模型是靠做加减法吧？CheXpert 数据集上三个比例的 AUC 增量不多不少正好全是 +1.0，1% 和 10% 数据跑出来的结果竟然能一模一样，这随机数生成器怕是没电了吧？两个核心模块一合体性能狂跌 0.2%，硬是闭着眼睛在正文中大喊“优势互补”。把审稿人和读者当傻子忽悠，连草稿都不愿意打严谨了，这造假的敷衍程度连 AI 都看不下去了！

建议后续行动

联系作者要求提供原始数据
在 PubPeer 上提出质疑
向期刊编辑部举报
向作者所在机构学术委员会举报

⚠️ 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。

Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for Che-Xray Vision-Language Pre-training