🔍 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 MM '25 (33rd ACM International Conference on Multimedia)
DOI：10.1145/3746027.3755336
发表年份：2025
论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据造假检测（随机数生成器都不如）

位置：Table 1 (第5页)
描述：在 CheXpert (CXP) 数据集的线性分类结果中，出现了极度反直觉的“完美复制”数据。在 ViT-based 组别中，对比基线模型 MRM 和本文提出的模型：
- MRM 的结果为：1% 数据量 = 88.5，10% 数据量 = 88.5，100% 数据量 = 88.7。
- Ours 的结果为：1% 数据量 = 89.5，10% 数据量 = 89.5，100% 数据量 = 89.7。
证据：在真实的深度学习实验中，训练数据量从 1% 剧增到 10%（足足翻了10倍），模型性能（AUC）几乎不可能出现分毫不差的完全一致（连小数点后一位都不变）。这不仅违背了机器学习的一般规律，而且基线模型和自己的模型同时出现这种“平局”，高度疑似作者在编造或粗劣地平移数据时，为了省事直接复制了前两列的数字。
严重程度：🔴
复核状态：✅ 成立

⚠️ 发现 2：图片复用检测（一图多用）与拼接检测

位置：Figure 1 - Figure 6
描述：受限于输入数据仅为纯文本，无法提取论文中的原始图像像素进行 Western Blot 式的背景噪点比对、PS拼接线扫描或 t-SNE 聚类图的相似度 hash 比对。
证据：文本中未提供足够的图片信息，无法进行像素级分析。
严重程度：🟡（暂无法判断）
复核状态：⚠️ 依据不足

发现 3：统计学异常检测

位置：Table 1 - Table 6 (整体结果分析)
描述：抛开 Table 1 中极其反常的 CXP 数据集不谈，本文在其他数据集上的性能提升（例如在 COVIDx 上达到了惊人的 96.0% ACC，远超现有所有 SOTA）显得有些“过于完美”。
证据：在 1% 极低数据量下，模型性能往往伴随极大的方差，但本文的各项表格中数据呈现出非常平滑的递增规律。虽然深度学习存在“刷点”现象，但连小数点都控制得极为规整，且未报告多次运行的标准差，这在严谨的医学图像处理顶会中是不规范的，存在选择性报告的嫌疑。
严重程度：🟠
复核状态：✅ 成立

耿同学辣评

好家伙，现在的论文不仅代码能开源，连实验数据都能“开源”了是吧？Table 1 里 1% 和 10% 训练数据的 AUC 能跑出一模一样的两位小数，贵模型的方差是锁死了吗？建议作者下次造假的时候敬业一点，稍微加个随机种子抖动一下，别连 Ctrl+C 和 Ctrl+V 都懒得按，真把审稿人和读者当显像管了？

建议后续行动

联系作者要求提供原始数据（尤其是 CheXpert 数据集上的详细 log 和多次实验方差）
在 PubPeer 上提出质疑
向期刊/会议编辑部举报（针对 ACM MM 2025 组委会）
检查其开源代码（https://github.com/Felix1118/PADKB）中是否存在硬编码的测试结果或伪造的评测脚本

⚠️ 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