🔍 耿同学打假报告

论文信息

• 标题：Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation
• 作者：Mingjie Li, Bingqian Lin, Zicong Chen, Haokun Lin, Xiaodan Liang, Xiaojun Chang
• 期刊：CVPR 2023 (IEEE/CVF Conference on Computer Vision and Pattern Recognition)
• DOI：[文本中未提供]
• 发表年份：2023
• 论文来源：Li_Dynamic_Graph_Enhanced_Contrastive_Learning_for_Chest_X-Ray_Report_Generation_CVPR_2023_paper.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据造假检测（核心指标数学不自洽）

• 位置：Table 2 / Page 3339 (临床有效性指标比较)

• 描述：论文在 Table 2 中报告了 Precision, Recall 和 F1-score。但作者报告的 F1-score 数值与同表中报告的 Precision 和 Recall 在数学上存在系统性矛盾。F1-score 的数学定义是 Precision 和 Recall 的调和平均数（\(F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}\)），这意味着 F1 的值在数学上严格受限于 P 和 R 的计算结果。

• 证据：
  我们将作者报告的 P 和 R 代入公式进行验算：

  • Ours (DCL)：P=0.471, R=0.352。计算得出真实 F1 应为 0.4029，但论文中竟然报告为 0.373。
  • Ours w/o \(L_{IRM}\)：P=0.469, R=0.353。真实 F1 应为 0.4027，论文报告为 0.372。
  • Ours w/o \(L_{IRC}\)：P=0.463, R=0.337。真实 F1 应为 0.3900，论文报告为 0.359。
  • Ours w/o G：P=0.275, R=0.185。真实 F1 应为 0.2211，论文报告为 0.194。

  在所有自身模型的实验组中，计算出的 F1 值与论文给出的 F1 值完全对不上，误差高达 2% - 3%！在顶会论文中，小数点后两位的涨幅往往是论文吹嘘的核心贡献，而这种系统性的数学不自洽，极大概率说明表格里的数据是人为拼凑、修改或直接胡编乱造的（比如直接捏造了 F1 列，或者为了营造对比效果手动调高了 Precision）。

• 严重程度：🔴

• 复核状态：✅ 成立

⚠️ 发现 2：图片复用与拼接检测（无法验证）

• 位置：Figure 1, Figure 2, Figure 3, Figure 4, Figure 5
• 描述：由于此次打假仅基于文本提取，未提供原始的高清图片素材。
• 证据：无法进行像素级相似度比对、噪点分析和 PS 痕迹检测。
• 严重程度：🟡（系统提示，如实说明）
• 复核状态：⚠️ 依据不足

耿同学辣评

生成的胸片报告有没有临床效力我不清楚，但这表格算分的误差确实挺有“效力”的。小学数学公式 \(2PR/(P+R)\) 都能算错，误差还能高达两三个百分点，不知道是计算器坏了，还是 Excel 拖拽的时候手抖多按了个 9？连基本的数学自洽都保证不了，这种核心实验数据的系统性纰漏，暴露出论文在数据统计环节的极度草率。无论是有意为之还是粗心大意，这都不符合顶会论文应有的严谨性，必须打上一个大大的问号！

建议后续行动

• 联系作者要求提供原始实验日志、评估代码和模型输出结果
• 在 PubPeer 上提出质疑（附上 F1 计算公式的打脸截图）
• 密切关注官方勘误（Erratum）声明，若为无意的计算失误，应要求其发布勘误并调整结论；若无法给出合理解释，可向会议组委会举报数据造假嫌疑

⚠️ 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。