🔍 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

综合评定：🟡 存疑

详细发现

发现 1：数据异常 / 疑似复制粘贴错误（数据造假检测）

• 位置：Table 1 (Linear classification results on ChestX-ray14, CheXpert, RSNA, and COVIDx datasets)
• 描述：在 Table 1 的 ViT-based 部分中，本文提出的 "Ours" 模型在 CheXpert (CXP) 数据集上的 1% 和 10% 训练数据比例下的 AUC 业绩竟然完全一模一样，均为 89.5。
• 证据：表格中对应 "Ours" 的 CXP (AUC) 列显示：1% -> 89.5, 10% -> 89.5, 100% -> 89.7。在深度学习的线性分类微调中，训练数据量增加十倍（从 1% 到 10%），评估指标精确到小数点后一位却完全没有任何变化（连 0.01 的波动都没有），这在真实实验中是极度不符合常理的。对比同表中的其他基线模型（如 Med-UniC 的 89.4 -> 89.7 -> 90.8），通常都会呈现出递增或有微小波动的趋势。此现象高度怀疑是作者在填表或整理数据时发生了 Copy-Paste 错误。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 2：PDF 提取导致的文本排版异常（引用与方法学异常）

• 位置：Table 1
• 描述：表格中部分数值连在一起，缺乏有效分隔。
• 证据：例如 ViT-based 下的 MRM [46] 的 ChestX-ray14 数值显示为 82.784.4（应为 82.7 和 84.4）；Med-UniC* [34] 的 RSNA 数值显示为 90.891.993.193.7（应为四个独立数据）。这虽然大概率是 PDF 转 txt 时的解析错误或原论文排版压缩过紧，但依然在一定程度上影响了数据的可读性与严谨性。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 3：文本中未提供足够的图片信息（图片复用与拼接检测受限）

• 位置：全篇 Figures (Figure 1 ~ Figure 6)
• 描述：由于当前仅有纯文本提取内容，无法获取 Western Blot、显微图像或特征可视化（如 Figure 5 的 t-SNE 和 Figure 6 的注意力热力图）的像素级数据。
• 证据：无法进行泳道分析、背景噪点比对或 PS 痕迹扫描。因此，对于论文中极其关键的 t-SNE 聚类可视化图是否被刻意挑选“最美”结果，无法在当前阶段给出确凿判断。
• 严重程度：信息不足
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文提出了一个听起来极其高大上的“病理感知重建与判别知识增强对齐”框架，公式和理论一套一套的，但表 1 里的数据属实是“太对齐”了！1% 和 10% 数据量跑出来的 AUC 连小数点后一位都丝毫不差，咋地，是你们的模型从 1% 数据的时候就提前学会了饱和攻击，还是做表的时候 Ctrl+C+V 按得比训练模型还熟练？打假先打表，数据不会撒谎，但键盘可能会手滑啊！此外，表格中数据的排版粘连也暴露出在排版校对上的些许马虎。

建议后续行动

• 联系作者要求提供原始数据及实验 log（特别是 CheXpert 在 1% 和 10% 数据下的完整跑分记录）。
• 在 PubPeer 上提出对 Table 1 中数值重复的客观质疑。
• 检查其开源代码（https://github.com/Felix1118/PADKB）中的数据处理脚本，验证是否存在数据泄露或评估指标计算 Bug。

⚠️ 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。