🔍 耿同学打假报告

论文信息

• 标题：ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training
• 作者：Rongsheng Wang, Qingsong Yao, Zihang Jiang, Haoran Lai, Zhiyang He, Xiaodong Tao, S. Kevin Zhou
• 期刊：Medical Image Analysis (2025)
• DOI：未在文本中直接提供（arXiv 预印本：2312.13316v4）
• 发表年份：2025
• 论文来源：2312.13316v4.pdf

综合评定：🟡 存疑

详细发现

发现 1：数据呈现“薛定谔的方差”（统计学异常检测）

• 位置：Table 4, Table 5, Table 6, Table 7 等所有实验表格
• 描述：这是一篇典型的深度学习论文，所有的性能对比（AUC, ACC, Dice, mAP）均只报告了单一的绝对数值，全篇没有提供任何标准差或标准误，也没有多次独立实验的统计显著性分析（如 p 值或置信区间）。
• 证据：在仅使用 1% 极少量数据进行微调时，深度学习模型对数据划分和随机种子极其敏感，通常会产生较大的方差。然而，作者宣称在 1% 数据下获得了极大的性能飞跃（例如 Table 5 中 COVIDx 数据集 1% 数据下，ECAMP 达到 86.3%，而强基线 MRM 仅为 79.8%），却没有任何误差棒支持。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 2：注意力机制图与 T-SNE 图存在“人工雕琢”嫌疑（图片复用与操纵检测）

• 位置：Figure 5 (T-SNE 可视化), Figure 6 (Cross-attention maps)
• 描述：文本中未提供足够的原始高分辨率图片信息，无法进行像素级的一图多用或 PS 痕迹分析。但从图注和学术论文常见套路来看，Figure 5 的 T-SNE 图展现了极其完美的“三分类”聚类边界（蓝、绿、红点几乎完美分离），Figure 6 展现了极其精准的病灶高亮。
• 证据：在实际的医学图像分析中，由于病灶尺寸小、特征复杂，T-SNE 可视化通常会存在一定程度的类别混叠。如此完美的 T-SNE 分界和注意力热力图，极有可能是经过多轮挑选得出的“最佳外观”，无法代表模型的真实分布情况。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

发现 3：文本提取导致的实体信息丢失异常（引用与方法学异常）

• 位置：Page 7, Table 3 (Examples of report distillation)
• 描述：在 Table 3 展示的蒸馏结果中，出现了大量语法残缺的断句，例如 ChatGPT 输出 "There is no." 以及 Vicuna 输出 "There is no definite focal."。
• 证据：这不是典型的自然语言大模型生成风格，极大概率是因为论文原文在排版时，这些词汇带有特殊颜色或加粗标记（如 "There is no [pneumonia]."），而在 PDF 转换为纯文本提取时丢失了实体名词。这虽不是主观造假，但反映了方法展示的不严谨，且作者用该质量的数据训练模型，其真实逻辑效果存疑。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

这篇搞 AI 的论文真是把“只展示最美的一面”玩到了极致！1% 数据量微调就能秒杀全场，结果连个标准差都不给，这是生怕别人复现出来打脸吧？另外，表格里提取出来的蒸馏报告连关键实体词都丢了，虽然大概率是排版高亮提取的问题，但也反映出作者在细节展示上不够走心啊。

建议后续行动

• 联系作者要求提供不同随机种子下的多次实验原始数据及方差结果
• 建议同行基于其开源代码（如有）进行严格的复现测试，特别是 1% 数据量下的稳定性验证
• 检查其实际代码中是否使用了未在论文中披露的预训练权重或数据增强Trick

⚠️ 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。