🔍 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 (会议日期：October 27–31, 2025)
论文来源：acmmm-submission.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据演进异常与“死机”式重复

位置：Table 1 (第5页) - CheXpert (CXP) 数据集的 ViT-based AUC 结果
描述：作者宣称其模型在 CheXpert 数据集上，使用 1% 训练数据时 AUC 为 89.5，使用 10% 训练数据时 AUC 依然为 89.5。对比同表中其他方法（如 Med-UniC 从 89.4 升至 89.7），以及正常机器学习模型的训练曲线，数据量增加 10 倍而指标在小数点后完全没有任何波动的情况极度违背常理。
证据：表格中明确标出 1% 与 10% 列的数值均为 89.5。真实实验中，由于随机种子、数据采样的不同，连续两个不同比例的实验得到完全一致的小数点后第一位成绩（且不约等于整数）的概率极低，高度怀疑为人工编造或复制粘贴错误。
严重程度：🔴
复核状态：✅ 成立

发现 2：引用与文本描述严重脱节（张冠李戴）

位置：Section 2.1 (第2页) 及 Section 5.2 (第7页)
描述：文章多处出现引用标号与描述内容完全对不上的现象。
证据：
1. 第2节写道："MedUnic [24] integrates multimodal medical data..."，但实际上 [24] 是 SAT (Semantics-Aware Triage) 模型的引用，真正的 Med-UniC 是参考文献 [34]。
2. 第5.2节写道："the reconstruction-based MRM [46] outperforms MGCA [12]"，但常识与表格显示，[12] 是 MAE，而 MGCA 的正确引用应该是 [35]。作者在写文章时似乎连参考文献都懒得核对，直接瞎标。
严重程度：🟠
复核状态：✅ 成立

发现 3：硬件算力与实验规模的时间线悖论

位置：Section 4.3 Implementation Details (第6页)
描述：作者声称在 MIMIC-CXR 数据集（包含高达 377,110 张图像和报告对）上，使用两张 NVIDIA RTX 4090 显卡，完成了 200 个 epoch 的多模态重建预训练（ViT-B/16 + BERT）以及 15 个 epoch 的对齐预训练。
证据：37.7万对图文的多模态预训练，且使用了 ViT 和 BERT 架构，计算量极其庞大。特别是在第一阶段的重建中，还需要处理高低分辨率（448x448 和 224x224）的图像块。在仅有的两张消费级显卡（RTX 4090）上跑 200 个 epoch，大概率需要数月时间，这在算力时间线上显得极其局促且不符合该量级模型的常规训练逻辑。
严重程度：🟡
复核状态：✅ 成立

发现 4：核心数据存在系统性偏移

位置：Table 1 与文本描述 (第6页)
描述：在 COVIDx 数据集上，Ours（本文模型）的指标达到了 82.3% (1%), 92.3% (10%), 96.0% (100%)。
证据：相比于其他的 SOTA（如 MRM 的 75.6, 88.3, 92.2 或 Med-UniC 的 80.3, 89.5, 94.5），本文在没有使用额外数据的情况下，性能呈现极其夸张的跳跃式提升（最高提升了近 7%）。在顶级计算机视觉会议中，这种"一统江湖"式的、毫无瓶颈的全面超越往往伴随着数据的过度调优甚至是造假。
严重程度：🟠
复核状态：✅ 成立

耿同学辣评

好家伙，表1里 CheXpert 数据集 1% 和 10% 数据量的 AUC 居然能一模一样地卡在 89.5，怎么着，你们的深度学习模型是懂饱和的？1% 的数据就已经把你们模型的智慧榨干了呗？更离谱的是参考文献引用，指鹿为马，MGCA 变成了 [12] (MAE)，Med-UniC 变成了 [24] (SAT)。写论文连参考文献编号都懒得查，这吃相是不是太着急了点？加上用两张 4090 跑 37 万张图 200 个 epoch 的“神话”，以及动辄拉升 7% 的“宇宙级”性能，这波啊，这波是魔法打败魔法。

建议后续行动

文本中未提供足够的图片信息，无法进行像素级（PS痕迹、一图多用）分析。
联系作者要求提供 Table 1 中 CheXpert 数据集 1% 与 10% 实验的原始 Log 文件和随机种子。
在 PubPeer 上提出质疑，要求作者解释参考文献张冠李戴的原因，并澄清算力消耗细节。
建议期刊/会议编辑部审查其实验代码的完整性。

⚠️ 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