🔍 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：10.1145/3746027.3755336
• 发表年份：2025
• 论文来源：acmmm-submission.pdf

综合评定：🟡 存疑

详细发现

发现 1：消融实验逻辑无法自洽（"互补"变成"拖后腿"）

• 位置：Table 4 及 Section 5.3.1
• 描述：作者在文中声称其提出的两个模块 PAR 和 DKBA 具有“互补的益处”，并在 5.3.1 节写道：“These results collectively validate the complementary benefits of PAR for detailed pathological feature extraction and DKBA for discriminative representation learning.”
• 证据：查看 Table 4 的数据，在 ChestX-ray14 数据集上，单独使用 DKBA（即 PAR=×, DKBA=✓）的 AUC 为 81.0；但是当两个模块结合使用时（PAR=✓, DKBA=✓），AUC 却下降到了 80.8。在分类任务中，加上作者主推的 PAR 模块不仅没有“互补”，反而导致性能下降了。如果连核心模块组合都会导致核心指标下降，却依然在正文中宣称“互补”并作为核心结论，属于选择性忽略不利数据。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 2：参考文献张冠李戴（基础概念混淆）

• 位置：Section 5.2
• 描述：在分析下游任务时，原文写道：“...the reconstruction-based MRM [46] outperforms MGCA [12] and Med-Unic [34] on fine-grained downstream tasks...”
• 证据：核查文末参考文献表，文献 [12] 实际上是 He 等人的 “Masked autoencoders are scalable vision learners”（即 MAE），而 Fuying Wang 等人的 MGCA 论文对应的是文献 [35]。作者在行文中将 MGCA 错误地指向了 MAE，且 MAE 是基于重建的，MGCA 是基于对齐的，这不仅是笔误，更暴露出作者在撰写对比分析时可能存在粗制滥造或对引用文献梳理不清的问题。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 3：图片像素级分析受限声明

• 位置：Figure 1 - Figure 6
• 描述：本论文为计算机视觉/深度学习领域的预印本/会议投稿文本，仅提供了纯文本内容。
• 证据：由于缺乏原始的高清图片文件或可视化结果（如 Figure 5 的 t-SNE 图和 Figure 6 的热力图），无法进行图像复用、拼接痕迹（PS检测）以及伪造可视化图表的像素级分析。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

耿同学辣评

搞深度学习的，表格数据比谁都诚实。嘴上喊着“强强联手、优势互补”，自家表格里却在部分数据集上出现“1+1 < 1”，加上自己提出的新模块反而把单项性能给拽下来了，这在逻辑上确实难以自洽。此外，引以为傲的对齐方法 MGCA 连参考文献都能标错成 MAE，这审校态度，属实应该扣学分。虽说在其他任务指标上确实有提升，但这种文字游戏和粗心硬伤，难免让人对论文的严谨性打个问号。

建议后续行动

• 联系作者要求提供原始实验日志（澄清为何 PAR+DKBA 在部分指标上出现性能倒退）
• 在 PubPeer 上提出质疑
• 要求作者澄清方法部分与实验结果自相矛盾的逻辑
• 向期刊编辑部举报（若涉及系统性的结论篡改）

⚠️ 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。