# 🔍 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：图片复用与拼接检测（第一式 & 第三式）
- **位置**：Figure 1 - Figure 6
- **描述**：论文文本中仅提供了插图说明，未包含实际的图片像素文件。
- **证据**：由于缺乏原始图像数据，无法进行 Western Blot 条带比对、背景噪点分析或图像篡改（如 PS 痕迹、泳道拼接）的检测。该论文为计算机视觉领域的深度学习模型训练文章，通常不包含传统生物医学实验的 Wet-lab 图，而以模型架构图、可视化热力图（t-SNE、Attention Map）为主，此类图片的造假通常需要专业的计算机视觉法医分析（如 ELA 误差分析），在仅有文本的情况下无法判断。
- **严重程度**：🟡（存疑：无法判断）
- **复核状态**：⚠️ 依据不足

### 发现 2：实验数据造假与统计学异常（第二式 & 第四式）
- **位置**：Table 1 - Table 6
- **描述**：各表格中报告了分类（AUC/ACC）、分割和目标检测的量化指标。所有指标均保留了小数点后一位，且不同数据集比例（1%, 10%, 100%）下的性能呈现合理的增长趋势，未见违背常理的暴跌或暴涨。
- **证据**：作为一篇机器学习论文，文中未报告 p 值、标准差或置信区间（这在当前的顶级计算机会议中是普遍现象，通常依靠多次随机种子取平均，但文本未体现）。未发现末位数字分布异常，或列与列之间存在明显的数学人工编造痕迹（如等差数列）。模型改进带来的性能提升（如 1%~3% 的 Margin）符合当前该领域“刷SOTA”的真实生态。
- **严重程度**：✅（未触发红旗）
- **复核状态**：✅ 成立

### 发现 3：时间线与设备存在性验证（第五式 & 第六式）
- **位置**：Implementation Details (Section 4.3) & References
- **描述**：文章声称在两张 NVIDIA RTX 4090 GPU 上完成预训练。引用的文献包含了 2024 年发表的 NeurIPS 论文（Ref [34] Med-UniC）。
- **证据**：会议举办日期标明为 2025年10月。当前日期为 2026年6月，因此无论是 RTX 4090 显卡的普及，还是引用 2024 年底的文献，时间逻辑完全自洽，不存在“使用未来设备”或“引用穿越文献”的乌龙。
- **严重程度**：✅（未触发红旗）
- **复核状态**：✅ 成立

## 耿同学辣评

作为一篇 CVPR/ICCV 级别的计算机视觉论文，这文章主打的就是一个“大力出奇迹”和“结构缝纫机”。把对比学习和掩码图像重建用级联策略串起来，再加上个医疗知识图谱做噱头，逻辑闭环做得非常丝滑。没有传统生医paper那些随心所欲的p值和“完美”的柱状图，全是硬刚的 AUC 和 mAP。虽然目前仅有文本缺乏图片像素导致无法进行深入的图像打假（标记为存疑），但从现有的文字逻辑、实验数据和时间线来看，这帮搞深度学习的研究者文字功底合格，没出啥常识性洋相！

## 建议后续行动

- [ ] 查阅 GitHub 仓库 (https://github.com/Felix1118/PADKB) 验证代码是否真的开源，以及是否真的能复现 Table 1 - Table 3 的 SOTA 结果。
- [ ] 在 PubPeer 上探讨其模型的实际泛化能力（是否对特定数据集过拟合）。
- [ ] 无需向机构举报（目前未发现实质性造假证据）。

## ⚠️ 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。