🔍 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：Proceedings of the 33rd ACM International Conference on Multimedia (MM '25)
• DOI：10.1145/3746027.3755336
• 发表年份：2025

综合评定：🟡 存疑

详细发现

发现 1：数据造假检测（“锁死”的 AUC 数值）

• 位置：Table 1 (Linear classification results on the ChestX-ray14, CheXpert, RSNA, and COVIDx datasets)
• 描述：在 Table 1 的 ViT-based 部分中，本文提出的 "Ours" 方法在 CheXpert (CXP) 数据集上，使用 1% 和 10% 训练数据时的 AUC 指标被分别报告为 89.5 和 89.5。
• 证据：在真实的深度学习实验中，训练数据量从 1% 暴增到 10%，模型的平均 AUC 表现几乎不可能出现完全一样（甚至是精确到小数点后一位）的完美重合。这种不同数据规模下的一模一样，通常是人为编造数据或复制粘贴时的笔误。经核对原文 Table 1，ViT-based 的 Ours 行在 CXP (AUC) 的 1% 和 10% 列确实均显示为 89.5。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 2：方法学逻辑矛盾（“下采样”的奇迹）

• 位置：Section 3.1 (Pathology-Aware Reconstruction) / Page 4
• 描述：原文描述为：“We down-sample an original chest X-ray image to create both high-resolution and low-resolution versions.”（我们对原始胸片进行下采样，以创建高分辨率和低分辨率版本。）
• 证据：这存在基础图像处理逻辑错误。对一张原始图像进行“下采样”只能减少像素，生成低分辨率版本，绝对不可能通过下采样凭空生成“高分辨率版本”。经核对原文 Section 3.1，确有此段原文表述，属于方法学描述上的严重笔误或逻辑漏洞。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 3：图片复用与拼接检测（局限性声明）

• 位置：Figure 1 - Figure 6
• 描述：由于目前仅提供论文的文本内容，未提供原始的高清图片文件（如架构图、t-SNE 可视化降维图、热力图等），无法进行像素级别的比对以及分界线异常排查。
• 证据：纯文本分析无法捕捉图像的 PS 痕迹。依据当前输入条件无法得出图片造假的确切结论。
• 严重程度：N/A
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文的模型可真是“太稳定”了！训练数据翻了10倍，AUC 居然能做到纹丝不动（1% 和 10% 都是 89.5），这种“雷打不动”的神级稳定性建议立刻申请专利。不仅如此，作者还能靠“下采样”无中生有出“高分辨率”大图，这不仅是深度学习的突破，更是图像处理领域的奇迹！写论文的时候多瞅两眼表格和句子，这低级失误看得强迫症都犯了。

建议后续行动

• 联系作者要求提供 Table 1 中 CheXpert 数据集的原始实验日志和运行记录。
• 在 PubPeer 上提出质疑（重点询问 1% 和 10% 数据 AUC 完全一致的原因，以及下采样产生高分辨率图的原理）。
• 向期刊编辑部举报（暂不必要，建议等作者回应后再做定夺）。
• 向作者所在机构学术委员会举报（暂不必要）。

⚠️ 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。