🔍 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：Proceedings of the 33rd ACM International Conference on Multimedia (MM '25)
• DOI：https://doi.org/10.1145/3746027.3755336
• 发表年份：2025 (会议日期：October 27–31, 2025)

综合评定：✅ 清白

详细发现

发现 1：统计学异常检测

• 位置：Table 1, Table 2, Table 3 (各类下游任务性能对比)
• 描述：对论文中的核心实验结果数据进行了末位数字和方差分析。
• 证据：表中的各项评估指标（如 AUC, ACC, Dice, mAP）的末位数字（0-9）分布均匀自然，符合真实实验跑分中由于随机种子、数据抽样带来的自然噪声特征。不同数据比例（1%, 10%, 100%）下的性能提升呈现出合理且非线性的增长曲线（通常在低数据量时提升显著，高数据量时边际收益递减）。未发现人为编造数据的“过于完美”或恒定差值的数学规律。
• 严重程度：🟢 正常
• 复核状态：✅ 成立

发现 2：消融实验逻辑一致性检测

• 位置：Table 4, Table 6 (Ablation Study)
• 描述：分析了各个模块（PAR、DKBA）以及不同训练策略对最终性能的贡献。
• 证据：消融实验的结果非常符合深度学习的常理。例如，在 Table 4 中，加入 PAR 模块后，细粒度任务（如 SIIM Dice 和 RSNA mAP）获得了提升，但在分类任务上略有波动，这符合“重建任务更关注局部细节，可能略微牺牲全局分类判别力”的客观物理规律。Table 6 中证明级联训练优于联合训练，也成功自证了文章开头提出的“梯度冲突”假设。这种存在 Trade-off（权衡）的数据远比“全方位吊打”的假数据更可信。
• 严重程度：🟢 正常
• 复核状态：✅ 成立

发现 3：引用与方法学异常检测

• 位置：全文（特别是 Method 与 Implementation Details 章节）
• 描述：核查了论文使用的数据集、模型架构、预训练权重和时间线逻辑。
• 证据：以当前日期为基准，文章引用的对比模型（如 NeurIPS 2024 的 Med-UniC）完全符合会议论文的常规引用周期。作者声称使用了 MGCA 模型生成病理先验，并组合了 PubMedBERT、ViT-B/16、U-Net、YOLOv3 等经典架构，整体方法论拼图自然，没有出现“使用未来才发布的模型”或“编造不存在的算力设备”等时间线冲突。
• 严重程度：🟢 正常
• 复核状态：✅ 成立

⚠️ 发现 4：图片复用与拼接检测

• 位置：Figure 1 ~ Figure 6
• 描述：因当前仅接收到纯文本内容，无法进行像素级别的比对。
• 证据：文本中未提供图片信息，无法进行 Western Blot 泳道分析、噪声模式比对或 PS 痕迹检测。（注：本论文为计算机视觉/多媒体领域的纯算法论文，通常不包含湿实验中的电泳图或显微镜图，造假高发区主要集中在图像分割/检测的可视化效果图上，需查看原图确认是否有抹除痕迹）。
• 严重程度：⚪ 暂无法判断
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇计算机视觉领域的论文逻辑闭环做得相当漂亮，消融实验老老实实写出了不同任务之间的 Trade-off，这比那些“加个模块就全方位 提升 10%”的注水文真诚多了。根据文本提取的图表数据和实验逻辑来看，非常符合真实的炼丹师日常调参曲线，没有发现违背常理的系统性造假特征。虽然没有原图供我施展“火眼金睛”，但单就文本逻辑和数据编排而言，老铁没毛病，这波我给满分！

建议后续行动

• 联系作者要求提供原始数据 （数据逻辑自洽，暂不需要）
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 若发现代码库（GitHub）实现与论文公式严重不符，可重新开启审查

⚠️ 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。