🔍 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：ACM Multimedia 2025 (MM '25)
DOI：https://doi.org/10.1145/3746027.3755336
发表年份：2025

综合评定：🟠 高度可疑

详细发现

发现 1：表格文本与方法学自相矛盾（行号张冠李戴）

位置：Section 5.3.3 (Ablation study of training task and training strategy) / Table 6
描述：作者在正文中解释表6的消融实验结果时，出现了明显的行号引用错乱，导致逻辑完全对不上。
证据：
- 正文写道：“joint reconstruction-alignment pre-training improves fine-grained task performance but slightly reduces classification accuracy compared to alignment-only pre-training (row 1 vs 3).”（联合训练相比“仅对齐”提升了细粒度任务，但降低了分类性能。引用了第1行和第3行）。
- 然而，查看表6可知，Row 1 是 Reconstruction only（仅重构），Row 2 才是 Alignment only（仅对齐）。因此，如果要比较“联合训练”和“仅对齐”，应当是“Row 2 vs 3”。
- 紧接着正文又写道：“Conversely, joint training enhances classification while harming fine-grained tasks compared to reconstruction-only pre-training (row 2 vs 3).”（反之，联合训练相比“仅重构”提升了分类性能，却损害了细粒度任务。引用了第2行和第3行）。
- 同理，这里比较的明明是“联合训练”和“仅重构”，行号却写成了Row 2 vs 3（正确应是Row 1 vs 3）。
- 结论：作者在撰写分析时，脑海中（或AI生成的上下文中）对Row 1和Row 2的定义与实际表格排版完全反了。这种“表文严重割裂”的现象是学术造假（特别是利用生成式AI润色甚至编造论文时）极易留下的典型破绽。
严重程度：🔴
复核状态：✅ 成立

发现 2：基准模型分类归属疑似张冠李戴

位置：Table 1 (Linear classification results)
描述：在 ViT-based 模块的对比中，列出了 GLoRIA [14] 模型，并给出了对应的数据。
证据：GLoRIA 是医学视觉语言预训练领域非常经典的一篇论文（ICCV 2021），其官方实现及原论文中明确且唯一使用 ResNet-50 作为视觉主干网络。论文作者却直接将 GLoRIA 强行归入 "ViT-based"（基于 Vision Transformer）的分组中进行对比，且未给出任何重新实现的说明。这说明作者极有可能在整理表格时复制粘贴了其他论文的对比数据，或者随意编凑基准，对实验设置缺乏最基本的真实把控。
严重程度：🟠
复核状态：✅ 成立

发现 3：计算资源与训练时长严重违背常理

位置：Section 4.3 (Implementation Details)
描述：论文声称在 MIMIC-CXR 数据集（包含高达 37.7 万张图像和 22.7 万份报告）上进行预训练，使用了两块 NVIDIA RTX 4090 显卡，并且第一阶段跑了 200 个 epochs，第二阶段跑了 15 个 epochs。
证据：多模态视觉语言大模型（特别是涉及 ViT-B/16、BERT、交叉注意力机制和图注意力网络 GAT）的预训练具有极高的显存和算力需求。在仅有两张消费级显卡（RTX 4090, 24GB显存）的条件下，要 load 并训练如此庞大的多模态模型，且在 37万+ 的数据集上跑满 200 个 epoch，计算时间极有可能长达数月甚至半年以上（除非使用极小且不合理的 batch size，但这会严重毁掉对比学习的性能）。此处的时间线与硬件资源存在高度不匹配的疑点。
严重程度：🟡
复核状态：✅ 成立

发现 4：结果的选择性报告与掩饰

位置：Section 5.3.1 (Advantages of proposed components) / Table 4
描述：表4的消融实验中，在 ChestX-ray14 数据集上，同时使用 PAR 和 DKBA 的最终模型AUC 为 80.8，而仅使用 DKBA 的 AUC 高达 81.0。
证据：这意味着作者提出的 PAR（Pathology-Aware Reconstruction）模块在加入 DKBA 后，不仅没有提升分类性能，反而导致了性能下降（-0.2%）。但在正文中，作者对此避而不谈，仅强调“DKBA 提升了 2%”，试图用话术掩盖其核心模块在某些主要指标上存在负作用的事实。这种“报喜不报忧”的选择性陈述有违学术客观性。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

写论文不能连“左右互搏”的逻辑都不要了！Table 6 里的第1行和第2行到底是啥，作者自己心里没数吗？正文写的和表格排的完全是两套平行的宇宙。更别提把纯 CNN 架构的 GLoRIA 强行塞进 ViT 组里“指鹿为马”，这很难不让人怀疑整个对比实验到底有没有真实跑过，还是全靠 Copy-paste 拼凑出来的“空中楼阁”。搞深度学习可以菜，但态度不能歪啊！

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/会议编辑部举报
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