🔍 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：文本中未提供具体的 DOI 号
• 发表年份：2025

综合评定：✅ 清白

详细发现

发现 1：图片复用与拼接检测（一图多用与 PS 痕迹）

• 位置：Figure 1, Figure 3, Figure 4, Figure 5, Figure 6
• 描述：论文为计算机科学/人工智能领域的算法框架与实验结果可视化论文。所有图片均用于展示模型架构（Fig 1, 3, 4）、数据统计分布（Fig 2）、T-SNE 降维特征图（Fig 5）以及注意力机制热力图（Fig 6）。
• 证据：原文的图注描述表明该论文不存在传统生物医学湿实验中的 Western Blot、凝胶电泳或显微镜照片。架构图与结果图视觉描述上自然，未发现明显的复制粘贴、翻转裁剪或不同分辨率区域强行拼接等“PS”痕迹。
• 严重程度：无（未触发红旗）
• 复核状态：✅ 成立

发现 2：数据造假与统计学异常检测（随机数与末位规律）

• 位置：Table 4 - Table 11（各类下游任务的 AUC、ACC、Dice、mAP 指标）
• 描述：表格中报告了 1%、10%、100% 不同数据比例下的多次实验结果。以 Table 4 和 Table 5 为例，ECAMP 与其他 SOTA 模型（如 MRM, MGCA, GLoRIA）的对比数据呈现出非常自然的梯度差异（例如 81.1 vs 80.5 等）。
• 证据：深入检查原文各项指标的末位数字分布，不存在全为“0”或“5”的刻意编造迹象。不同数据集、不同比例下的提升幅度符合大模型预训练领域的普遍规律（如小样本 1% 下提升较明显，全量数据下趋于饱和）。此类纯计算机实验论文通常不报告标准差（SD）或 p 值，而是直接比较绝对数值大小，故不适用传统 p-hacking 检测，但现有数据未见数学不自洽之处。
• 严重程度：无（未触发红旗）
• 复核状态：✅ 成立

发现 3：时间线与产出逻辑验证（量产型与设备时间线）

• 位置：文章头部日期信息、4.4 Implementation Details
• 描述：论文 arXiv 版本标记为 2025 年 6 月 7 日，正文声明发表于《Medical Image Analysis》(2025)。时间线完全合理。
• 证据：原文提到使用 GPT-3.5-turbo（OpenAI, 2023）和 Vicuna-7B（Chiang et al., 2023）进行报告蒸馏，所有引用的工具和模型在论文撰写前均已发布。预训练耗时计算（如 MIMIC-CXR 跑 120 epochs，4 张 A100 显卡耗时约 20 小时）在 ViT-B/16 架构下符合算力逻辑，没有违背物理常识的造假。
• 严重程度：无（未触发红旗）
• 复核状态：✅ 成立

发现 4：引用与方法学逻辑一致性（内部矛盾检测）

• 位置：Section 3 Method, Section 4 Experiments, Section 4.1 Datasets
• 描述：方法学描述详尽。公式推导（如公式 3、4、5、6）逻辑自洽。消融实验（Table 7, 8, 9）严格对应了正文中提出的五个关键模块（CD, DM, RF, SR, MSCF）。
• 证据：使用的数据集（MIMIC-CXR, ChestX-ray14, CheXpert 等）均为医学图像分析领域完全公开、著名的标准基准数据集。作者在 Table 3 中诚实地展示了部分 ChatGPT 和 Vicuna 蒸馏失败的“瑕疵”案例（如未提取出特定实体或句子中断），这种不刻意隐藏模型缺陷的态度反而增加了论文的真实可信度。
• 严重程度：无（未触发红旗）
• 复核状态：✅ 成立

耿同学辣评

这代码跑得比我脑子转得还顺的一篇纯正“干实验”AI论文。没有移花接木的WB图，没有刻意美化的p值，各种跑分消融做得严丝合缝，连大模型偶尔蒸馏失败的“翻车”案例都老老实实贴在表里了。硬要挑毛病的话，就是现在的AI论文越来越卷了，这帮科研人员抢起A100显卡来肯定一个比一个狠！

建议后续行动

• 未发现明显异常，无需联系作者提供原始数据。
• 无需在 PubPeer 上提出质疑。
• 无需向期刊编辑部或机构举报。
• （可选）点赞收藏该开源代码库，留给以后做项目时白嫖。

⚠️ 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。