🔍 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 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：选择性报告实验结果（数据解释与事实不符）

• 位置：Table 4 及 Section 5.3.1 (Advantages of proposed components)
• 描述：作者在 Table 4 中进行了消融实验，声称验证了 PAR（Pathology-Aware Reconstruction）模块的有效性。然而仔细查看 Table 4 中的 ChestX-ray14 (AUC) 列数据可以发现：在未使用 DKBA 时，加入 PAR 导致 AUC 从 79.1 下降到了 78.9；在使用了 DKBA 时，加入 PAR 导致 AUC 从 81.0 下降到了 80.8。这说明 PAR 模块在 ChestX-ray14 分类任务上实际上是负面作用。
• 证据：在正文 5.3.1 节中，作者写道：“The pathology-aware reconstruction (PAR) module significantly improves performance in fine-grained downstream tasks... (2) The discriminative knowledge boosting alignment (DKBA) enhances representation learning, yielding performance gains...” 作者完全回避了 PAR 导致 ChestX-ray14 性能下降的事实，避重就轻，试图向读者营造“两个模块都是百利而无一害”的虚假完美印象。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 2：核心实验超参数与算力逻辑存疑

• 位置：Section 4.3 (Implementation Details)
• 描述：论文声称使用 MIMIC-CXR 数据集（包含 377,110 张图像和 227,835 份报告）进行预训练。视觉编码器为 ViT-B/16，文本编码器为 BERT 和 PubMedBERT。然而，作者声称在“两张 NVIDIA RTX 4090 GPUs”上完成了 200 个 epoch 的重建预训练和 15 个 epoch 的对齐预训练。
• 证据：MIMIC-CXR 是超大规模医疗数据集，基于 ViT-B/16 和 BERT 的多模态联合重建（包含复杂的高/低分辨率图像处理和知识图谱 GAT 计算），其计算量极其庞大。在仅使用 2 张消费级显卡（RTX 4090，24GB 显存）的情况下，被认为几乎不可能在合理时间内完成 200 个 epoch 的多模态大规模预训练。但由于缺乏确凿的反向工程证据，无法直接断定其绝对无法复现，属于学术经验层面的合理怀疑。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

发现 3：排版错乱引发的数值异常

• 位置：Table 1 (Med-UniC [34] 在 ViT-based 下的数据)
• 描述：表格中 Med-UniC 的数据排版严重错位，CXP、RSNA 和 COVIDx 的数据连在了一起，变成了“89.4 89.7 90.891.993.193.780.389.594.5”，这显然是将 6 个单元格的数据挤在了一起。
• 证据：虽然这极有可能只是 LaTeX 排版或转 PDF 文本提取时的错误，但作为顶级会议的最终版本，表格出现如此低级的排版错乱，反映出作者和审稿人在校对阶段的极度不严谨。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

这篇论文在数据处理和文字包装上玩得挺溜！自己提出的主打模块 PAR 实际上把核心分类任务的指标拉胯了，文字里愣是一句不提，强行吹嘘“显著提升”，这春秋笔法写得比小说都精彩！此外，表格数据出现离谱的排版粘连，作为顶级会议论文，基本的态度有些欠缺。至于算力部分，拿两张 4090 跑三十多万对图文的 ViT+BERT 重建预训练 200 轮，实在有些违背常理，虽然不能直接断定造假，但建议作者老实公开训练日志自证清白！

建议后续行动

• 建议作者公开预训练的完整训练日志（如 loss 曲线）以及 GPUs 实际训练耗时，以消除算力存疑。
• 在 PubPeer 或相关学术讨论区提出质疑，要求作者明确解释 PAR 模块在 ChestX-ray14 上指标下降却被粉饰的原因。
• 要求作者核对并提供清晰无误的基准模型对比数据表格（尤其是 Table 1）。

⚠️ 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。