🔍 耿同学打假报告

论文信息

• 标题：ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training
• 作者：Rongsheng Wang, Qingsong Yao, Zihang Jiang, Haoran Lai, Zhiyang He, Xiaodong Tao, S. Kevin Zhou
• 期刊：Medical Image Analysis (2025)
• DOI：[未在文本中提供]
• 发表年份：2025

综合评定：🟡 存疑

详细发现

发现 1：时间线与引用逻辑验证（无异常）

• 位置：全文（特别是摘要、引言、方法部分）
• 描述：论文声称使用了 ChatGPT (GPT-3.5-turbo) 和 Vicuna-7B 进行文本蒸馏。arXiv 首次提交版本号为 2312（2023年12月），v4 版本时间为 2025 年 6 月。在当前基准日期下审查，所使用的大语言模型、数据集（如 MIMIC-CXR 2.0.0, FFA-IR）及算法框架在论文研究周期内均已成熟开源且完全可用。
• 证据：原文方法部分明确写道：“we use GPT-3.5-turbo API OpenAI (2023) with temperature setting to 0 to distill 10,000 reports and fine-tune a Vicuna model Chiang et al. (2023) to distill the rest of the reports.”。时间线完美闭环，没有出现“穿越时空”使用尚未发布的模型的情况。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 2：数据真实性与方法学自洽性验证（高度真实）

• 位置：Table 3 (报告蒸馏示例)
• 描述：文本生成和数据造假检测中，最容易被伪造的是 LLM 的输出。然而，Table 3 中展示的 ChatGPT 和 Vicuna-7B 的蒸馏结果并非完美对齐，Vicuna 的输出偶尔会遗漏 ChatGPT 提取的某些实体。这恰恰是真实模型运行的常态。
• 证据：原文 Table 3 的第二组数据中，ChatGPT 输出了“There is no change in the bi-apical changes. There is stable increased opacification at the right base. The cardiac”等内容，而 Vicuna-7B 的输出仅保留了“There is tortuosity of the. There is no pleural ffusion. There is no vascular.”，遗漏了后半句。真实的“不完美”输出是数据可信的强有力背书。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 3：深度学习领域的统计学考量

• 位置：Tables 4, 5, 6, 10, 11 (性能对比)
• 描述：报告的所有指标（AUC, ACC, Dice, mAP）均仅给出了单一数值，未提供标准差（SD）或标准误（SE），也没有报告 p 值。
• 证据：原文提供的所有大规模定量实验表格（Table 4 至 Table 11）中，所有汇报的数值均没有任何误差棒或显著性检验的报告。
• 严重程度：🟡 存疑（属于领域通病，非针对本文的造假嫌疑）
• 复核状态：✅ 成立

发现 4：像素级与图表完整性审查受限

• 位置：Figures 1-6
• 描述：本论文涉及的图表（Fig 1-4 为网络架构图，Fig 5 为 T-SNE 降维可视化，Fig 6 为交叉注意力热力图）均为代码自动渲染生成的矢量图或数据可视化图，不涉及传统湿实验中的显微镜图等。由于输入仅为纯文本提取，无法进行底层的图像元数据或像素级痕迹分析。
• 证据：原文提供了相关 Figure 的 Caption 描述，例如 Fig 5 描述为“T-SNE visualizations...”，Fig 6 描述为“Cross-attention maps between diagnosis and vision patterns...”。基于文本描述的实验逻辑，未见违背常理之处。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

耿同学辣评

这是一篇非常扎实的“干实验”AI顶刊论文。最有意思的是，作者们非常诚实，连 Vicuna-7B 蒸馏出来的句子比 ChatGPT 少半句这种“翻车”细节都原封不动地贴在 Table 3 里了。造假的人都在忙着编造“完美数据”，而真实世界的科研，往往就是伴随着这些不完美的瑕疵一路向前的。虽然缺乏统计学误差棒是计算机视觉领域的“通病”，但整体方法学逻辑自洽，未见明显的学术不端痕迹。

建议后续行动

• 联系作者要求提供原始数据（基于文本未见异常）
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 仔细研读其开源代码与模型权重（论文已提供 GitHub 链接：https://github.com/ToniChopp/ECAMP）

⚠️ 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。