# 🔍 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：33rd ACM International Conference on Multimedia (MM '25)
- DOI：https://doi.org/10.1145/3746027.3755336
- 发表年份：2025 (会议日期为 2025 年 10 月 27–31 日，当前日期 2026-06-20，属于已正式发表文献)
- 论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).pdf

## 综合评定：✅ 清白

## 详细发现

### 发现 1：数据真实性与逻辑性审查（未发现异常）
- **位置**：Table 1, Page 5
- **描述**：对论文中各类下游任务的评测指标（AUC, ACC, Dice, mAP）进行交叉比对。发现作者在 CheXpert 数据集上的 100% 数据微调结果（AUC 89.7%）低于对比模型 Med-UniC（AUC 90.8%）。
- **证据**：造假论文通常倾向于全面“超越”前人，甚至强行编造全方位领先的完美数据。此处作者如实报告了自己模型在某些特定数据集上不及 SOTA（State-of-the-Art）的客观结果，并在正文 Section 5.1 中给出了合理解释（Med-UniC 使用了额外的预训练数据集 PadChest）。这种“敢于认怂”的数据反而是真实实验常有的现象。
- **严重程度**：🟢 (诚实可靠)
- **复核状态**：✅ 成立

### 发现 2：数据饱和度合理性分析
- **位置**：Table 1 (CXP数据集 ViT-based 列), Page 5
- **描述**：模型在 CheXpert 数据集上 1%、10% 和 100% 训练数据比例下的 AUC 得分分别为 89.5、89.5、89.7。在 1% 到 10% 数据量增加时，性能没有提升；对比模型 MRM 也是 88.5、88.5、88.7。
- **证据**：虽然看起来“不加倒退也不提升”，但在使用大规模预训练模型进行 Linear Classification（线性探测）时，由于预训练特征已经极其鲁棒，当标注数据达到一定临界点后（如 1%），线性分类器很容易过早达到性能天花板，导致数据量增加收益锐减。数据符合深度学习的客观物理规律，而非随机数生成器造出的“阶梯式稳步上升”。
- **严重程度**：🟢 (合理现象)
- **复核状态**：✅ 成立

### 发现 3：引用与方法学时间线核查
- **位置**：References & Section 3.1, Page 4
- **描述**：审查方法学中使用的工具与引用文献的发表时间线。论文引用了 NeurIPS 2024 的 Med-UniC [34] 作为主要对比基线，同时使用了 RadGraph [16] 提取医学实体。
- **证据**：结合当前日期（2026年中），引用 2024 年底和 2025 年初的文献完全符合一篇投稿至 ACM MM 2025 的论文的成稿逻辑。论文中提到的 UMLS 医学知识图谱、ViT/B-16、Sinkhorn-Knopp 聚类算法等均为真实存在且广泛使用的工具与算法，不存在编造不存在的试剂或设备等常识性造假。
- **严重程度**：🟢 (无异常)
- **复核状态**：✅ 成立

### ⚠️ 发现 4：图片复用与 PS 痕迹检测（受限检测）
- **位置**：Figure 1 ~ Figure 6
- **描述**：由于本次检测仅获取到论文的纯文本与表格数据，未提供原始的高清图片附件，无法进行像素级的拉亮、边缘检测和噪点比对。
- **证据**：但从 Figure 5 和 Figure 6 的图注描述来看，特征可视化（t-SNE）和零样本注意力热力图的逻辑安排合理。
- **严重程度**：⚪ (无法判定，文本中未提供足够的图片信息进行像素级分析)
- **复核状态**：⚠️ 依据不足

## 耿同学辣评

这篇纯做计算机视觉和深度学习的文章没有给我太多“发挥”的空间。没有跑胶图，没有小鼠解剖图，有的只是干巴巴的跑分数据。但最让我欣慰的是，作者没有患上“全满贯强迫症”，敢于在文中大方承认“老子在 CheXpert 上就是干不过用富二代数据集的 Med-UniC”。就冲这份不强行 P 图、不硬造 SOTA 的科研坦诚，这篇论文的学术态度值得点赞！

## 建议后续行动

- [x] 无需进一步调查（未发现造假嫌疑）
- [ ] （备选）如有原始图片需求，可提醒作者在 GitHub 补充高清可视化原图

## ⚠️ 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。