🔍 耿同学打假报告

论文信息

论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).pdf
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：基于“耿同学六式”中的图像检测标准，由于目前仅获取到论文的纯文本及 Figure caption 信息，无法获取原图进行像素级比对。
证据：虽然无法进行背景噪点、Western Blot 泳道或边缘裁切等视觉分析，但从图注逻辑来看，图 1（机制对比）、图 2（架构图）、图 3（知识图谱）、图 5（t-SNE降维）的描述均符合典型深度学习论文的规范叙事逻辑。未见异常的重复描述或自相矛盾的图注。
严重程度：🟡（信息不足，暂无异常）
复核状态：⚠️ 依据不足

发现 2：数据造假与统计学异常检测（第二式、第四式）

位置：Table 1 ~ Table 6
描述：对论文中的各项实验数据进行了交叉验证和“诚实度”审查。没有发现随机生成器伪造数据的迹象，反而发现了多处“不完美但符合科学规律”的真实数据特征。
证据：
1. 诚实承认劣势：在 Table 1 中，作者自己的方法在 CheXpert 数据集上的表现 (89.7) 明显低于 Med-UniC (90.8)。作者在 5.1 节正文中坦诚解释这是因为 Med-Unic 使用了额外的预训练数据集。造假者通常会修饰数据让自己在所有榜单全胜，这种自曝其短的表现是真实实验的强烈信号。
2. 符合逻辑的消融实验短板：在 Table 4 中，单独使用 PAR 模块时， ChestX-ray14 的分类指标 (78.9) 甚至低于不使用任何模块的基线 (79.1)；单独使用 DKBA 时，RSNA 检测任务 mAP (19.9) 也低于基线 (20.2)。这完美印证了文中“重建关注局部，对齐关注全局”的物理意义，这种“各司其职但单飞总会偏科”的数据极其符合真实的深度学习训练特征。
3. 无统计学造假痕迹：各项指标的末位数字分布均匀，未见等差数列或复制粘贴的痕迹。
严重程度：✅（不仅没有造假，数据逻辑还非常扎实）
复核状态：✅ 成立

发现 3：产出异常与时间线检测（第五式、第六式）

位置：Implementation Details (4.3 节) / 实验设置 / 参考文献
描述：论文的硬件配置、时间线、引用逻辑完全自洽，无方法学矛盾。
证据：
1. 硬件配置合理：作者在 4.3 节声明使用 2 块 NVIDIA RTX 4090 显卡进行预训练。对于 ViT-B/16 架构和几十万级的数据集（MIMIC-CXR），这个算力配置完全合理（甚至算不上顶配），没有为了充门面而伪造夸张配置。
2. 时间线自洽：论文发表于 2025 年 10 月的 ACM MM 会议。文中引用了 2024 年发表的 Med-UniC (参考文献 [34])，时间逻辑上完全来得及，不存在“穿越时空”引用未来文献的情况。
3. 开源真实性：作者在 Abstract 提供了 GitHub 代码链接 (https://github.com/Felix1118/PADKB)。虽然无法直接访问验证，但提供真实可复现的开源链接是具有学术自信的表现。
严重程度：✅
复核状态：✅ 成立

耿同学辣评

深度学习论文打假，最怕那种各个模块强行“1+1>2”、各个数据集全赛场霸榜的“完美神话”。而这篇论文老实巴交地交出了一份“偏科”的成绩单：PAR 管重建局部，DKBA 管全局对齐，单拎出来甚至还会拉低某些指标的分数。连对手用了外部数据超过自己都明明白白写出来。这种不掩盖短板、尊重梯度冲突物理规律的实验态度，在如今各种“大力出奇迹”的灌水文里，属实是一股清流！虽然数据逻辑和代码开源表现极佳，但受限于目前仅有文本信息无法完成图片的像素级审查，综合评定为存疑。建议大家拉取开源代码亲自跑一跑，感受一下这份扎实的炼丹逻辑。

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~~
(注：本次检测未发现明确的学术不端线索，仅因缺乏原始图像无法完全排除图片复用风险，暂无需采取上述严厉行动)

⚠️ 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（特别是由于本次分析未能获取原图进行视觉层面的像素级审查，图片判定完全基于文本逻辑推断）。

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