# 🔍 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：🟠 高度可疑

## 详细发现

### 发现 1：数据造假检测（随机数生成器都不如）
- **位置**：Table 1 (Linear classification results)
- **描述**：在 CheXpert (CXP) 数据集的 ViT-based AUC 结果中，本文与基线模型 MRM 的数据存在极其刻意的数学关系。
- **证据**：
  - 1% 训练数据：MRM 得分为 88.5，本文得分为 89.5（差值 **+1.0**）
  - 10% 训练数据：MRM 得分为 88.5，本文得分为 89.5（差值 **+1.0**）
  - 100% 训练数据：MRM 得分为 88.7，本文得分为 89.7（差值 **+1.0**）
  - 对比同表格中的其他数据集（如 ChestX-ray14 差值为 +2.6, +1.1, +0.6；RSNA 差值为 +1.2, +0.9, +1.1），三项比例下的差值出现绝对恒定的“+1.0”，且基线本身的数据也出现毫无波动的重复（88.5, 88.5, 88.7），这在真实的独立重复深度学习实验中（涉及大量随机种子、Dropout 和 Batch 随机性）是极不自然的。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 2：引用与方法学异常
- **位置**：References [34] 与 全文多处对比
- **描述**：文献时效性与会议信息存在逻辑矛盾。
- **证据**：作者引用了 Med-UniC [34] 并在表格中将其作为核心对比基线，标注其发表于 "Advances in Neural Information Processing Systems 36 (2024)"。实际上，NeurIPS 的卷号 36 对应的是 2023 年的会议（2023年12月举办），而 NeurIPS 2024 应为第 38 届。如果是笔误，说明排版极度不严谨；如果是刻意将年份写成 2024 以掩盖时间线问题，则属于学术不端的前置动作。此外，本论文投稿 ACM MM 2025，时间线上存在逻辑隐患。
- **严重程度**：🟡
- **复核状态**：✅ 成立

### 发现 3：图片与像素级分析受限
- **位置**：Figure 1, Figure 2, Figure 5, Figure 6
- **描述**：无法进行 Western Blot 或显微镜图的拼接与重复检测。
- **证据**：本文属于计算机视觉与深度学习领域的算法论文，未包含传统生物医学实验图片（如电泳图、细胞染色图等），所有可视化（如热力图、t-SNE图）依赖代码生成，无法使用传统像素级篡改标准（如噪点不一致、边缘锐利度）进行造假定性。
- **严重程度**：无（客观条件限制）
- **复核状态**：✅ 成立

## 耿同学辣评
现在的深度学习论文不仅学会了怎么炼丹，还学会了怎么做加减法！一组跨了三个数量级（1%、10%、100%）的实验数据，误差居然能精准得像用公式 `y = x + 1.0` 算出来的。哪怕你随便加点小数点后面的随机数糊弄一下呢？这种“复制粘贴加常数”的基线对比法，把审稿人当成了不懂算术的机器猫了吗？连参考文献的卷号和年份都能搞错（NeurIPS 36居然对应2024），不仅仅是“数学好”，连“排版”都如此随心所欲，学术严谨性何在？

## 建议后续行动

- [ ] 联系作者要求提供 CheXpert 数据集上 10 次独立运行的原始 AUC 日志（包含方差和随机种子）。
- [ ] 在 PubPeer 上提出质疑，重点要求作者解释为何不同数据比例下 AUC 差值完全一致。
- [ ] 检查作者提供的开源代码（GitHub: Felix1118/PADKB）中评估脚本是否被硬编码了偏置量。
- [ ] 要求作者澄清文献 [34] 的发表年份与卷号对应错误的笔误问题。
- [ ] 向 ACM MM 2025 编委会或组委会伦理主席报告此数学异常与引用瑕疵。

## ⚠️ 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。