🔍 耿同学打假报告

论文信息

• 论文来源：acmmm-submission.pdf
• 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 (预计发表于 2025年10月)

综合评定：🟠 高度可疑

详细发现

⚠️ 发现 1：算力配置与实验设计存在"物理学奇迹"（产出与方法学异常）

• 位置：Section 4.3 (Implementation Details)
• 描述：论文声称在 MIMIC-CXR（超 37 万张图像）上进行预训练，采用了大批量的对比学习和高分辨率（448×448）重建。使用的视觉编码器和文本编码器均为庞大的 Transformer 结构，但作者明确写道：“The entire pretraining process is completed on two NVIDIA RTX 4090 GPUs”。
• 证据：
  1. 视觉编码器 ViT-B/16 处理 448×448 分辨率图像，加上文本编码器、4 层 ViT 解码器、以及两层 GAT 和多模态交叉注意力模块，进行多模态联合训练，其参数量和激活值极大。
  2. 两张 24GB 显存的 RTX 4090 难以塞下如此巨大的多模态模型和对比学习所需的巨大 Batch Size，极大概率会导致 OOM (Out Of Memory)。如果强行用极小的 Batch Size 或梯度累加，对比学习性能通常会受到严重影响，难以达到论文声称的 SOTA 性能。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

发现 2：参考文献张冠李戴，存在明显的拼接与代写痕迹（引用异常）

• 位置：Section 2.1 & Section 5.2 / 参考文献列表
• 描述：作者在正文中引用的参考文献编号与实际内容发生了极其严重的错位，这在严肃的顶会论文中极其罕见，暴露出 copy-paste 的劣迹。
• 证据：
  1. Section 2.1 中写道：“MedUnic [24] integrates multimodal medical data...”，但查看参考文献列表，[24] 实际上是“Bo Liu et al., SAT, IEEE TMI 2023”，而 Med-UniC 的真实引用应该是 [34]。
  2. Section 5.2 中写道：“reconstruction-based MRM [46] outperforms MGCA [12]”，而参考文献 [12] 实际上是“He et al., MAE, CVPR 2022”，MGCA 的真实引用应该是 [35]。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 3：正文段落与表格排版存在严重的残缺/截断（方法学异常）

• 位置：Table 1 下方的正文段落开头
• 描述：表格 1 紧接着的一段开头是一个残缺的词：“t. we compute the cosine similarities...”。
• 证据：这显然是一个断句，前面的内容（例如 global text representations t）丢失了。此外，Table 1 中 Med-UniC 数据那一行出现了粘结错误：“89.4 89.7 90.891.993.193.780.389.594.5”，缺失了应有的空格排版。这种低级的排版和文本截断错误，说明该论文是在极其仓促、未经过基本校对的情况下提交/生成的。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

参考文献张冠李戴，段落截断没校对，表格数据粘连发疯，这论文怕不是用低配版 AI 一把梭哈或者东拼西凑出来的“量产型学术残次品”吧？两张 4090 跑 448 分辨率的 MIMIC-CXR 大批量对比学习加多模态融合，原作者怕是掌握了连英伟达都不知道的“薛定谔的显存压缩术”。连最基本的文字和引用都没整理好就敢投顶会，胆子属实不小。

建议后续行动

• 联系作者要求公开完整训练日志（Log），特别是单卡 Batch Size 和 OOM 报错记录，以核实其实验真伪。
• 针对其引用错乱和段落截断问题，向 ACM Multimedia 2025 编委会或组委会举报其学术严谨性问题。
• 在 PubPeer 上提出质疑，要求作者公开回应。

⚠️ 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。