🔍 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 (会议时间: October 27–31, 2025)

综合评定：🔴 实锤

详细发现

发现 1：主表与消融实验数据发生"时空碰撞"（核心数据造假/自相矛盾）

• 位置：Table 1 (主实验) vs Table 4 & Table 5 (消融实验)
• 描述：作者在论文中声称在 ChestX-ray14 数据集（使用1%数据）上取得了卓越的性能，主表（Table 1）中 "Ours" 的 AUC 成绩为 81.4。然而，在消融实验表（Table 4，脚注标明使用1%训练数据）中，包含作者所有提出模块的完整模型 "✓ PAR + ✓ DKBA" 的 AUC 成绩却变成了 80.8。在 Table 5（使用1%数据验证不同先验模型）中，采用最佳先验 MGCA 的完整模型成绩同样是 80.8。
• 证据：同一个最终模型，在同一个数据集、同等数据量（1%）下，主表为了彰显 SOTA 报出 81.4，而在需要体现"循序渐进提升"的消融实验表中却暴露了真实成绩 80.8。这种主副表数据无法对齐的现象，是典型的为了"强行超越 SOTA"而局部美化数据。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：消融实验中出现"负优化"的反常识逻辑（伪造实验轨迹）

• 位置：Table 4
• 描述：论文提出了两个核心模块：PAR（病理感知重建）和 DKBA（判别性知识增强对齐）。在 Table 4 的 ChestX-ray14 列中，单独使用 DKBA 的成绩是 81.0，但同时加上作者的另一大核心创新 PAR 模块后（✓ PAR + ✓ DKBA），成绩反而下降到了 80.8。
• 证据：作者在 Section 5.3.1 宣扬 PAR 和 DKBA 结合的互补优势，但消融实验数据却表明：在 ChestX-ray14 分类任务上，加上 PAR 模块不仅没帮忙，反而起了负作用（-0.2%）。实验轨迹与论文的行文逻辑存在严重冲突。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 3：文本描述与表格数据的算术级冲突（数据修改未对齐）

• 位置：Section 5.1 (Results on Linear Classification) 第一段
• 描述：文中明确写道：“On the ChestX-ray14 dataset, using only 1% of the data for fine-tuning, our framework achieves a 2.0% AUC score improvement over MRM [46].”（在 ChestX-ray14 数据集上，仅使用1%的数据进行微调，我们的框架取得了比 MRM 2.0% 的 AUC 分数提升）。
• 证据：核对 Table 1，MRM 在 ChestX-ray14 (1%) 的成绩是 78.8。如果按论文正文所写提升 2.0%，那么 "Ours" 的成绩应该是 80.8（这与发现 1 中的消融表数据完全吻合）。但在主表 Table 1 中，该成绩却被强行拔高到了 81.4（实际提升 2.6%）。正文的文字描述直接泄露了主表数据被篡改的事实。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 4：引文张冠李戴（文献管理混乱/copy-paste 痕迹）

• 位置：Section 2.1 Alignment-based Pre-training Methods
• 描述：文中写道：“MedUnic [24] integrates multimodal medical data from different languages...”
• 证据：核对文末参考文献，文献 [24] 实际上是：“Bo Liu, Donghuan Lu, et al. Improving medical vision-language contrastive pretraining with semantics-aware triage. IEEE TMI 2023”（即 SAT 模型）。而真正的 Med-Unic 模型对应的文献是 [34]（Zhongwei Wan, et al. NIPS 2024）。作者在上一句刚提到过 SAT [24]，转头就把 Med-Unic 的描述安在了 [24] 头上。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 5：声明缺失部分指标的合理性存疑

• 位置：Table 1 表注
• 描述：表注写道：“Due to the lack of Med-Unic official checkpoints, metrics on some datasets are excluded.” 如果是因为缺少权重导致无法评测，Med-Unic 在 CXR14 的 ViT-based 和 CNN-based 成绩均缺失。但作者却在其他数据集（CXP, RSNA, COVIDx）上成功报告了 Med-Unic 的成绩，唯独在核心对比数据集 CXR14 上留白。
• 证据：表注理由与实际表格填报情况存在矛盾。虽然缺失数据是事实，但怀疑其“因无法超越而故意隐瞒”属于动机推测，在原文中缺乏确凿证据支撑。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文堪称典型的"主表造神，消融翻车"案例。作者在写小作文时，满脑子都是"我的模型天下第一"，连加减法都算不明白：MRM 是 78.8，正文硬写提升 2.0%，算出来明明是 80.8，怎么在主表里摇身一变成了 81.4？这种正文与消融表完美闭环在 80.8，唯独主表拔高的情况，直接把造假的底裤掉了出来。不仅如此，自己提出的新模块加在一起还不如单独使用，这哪是"Pathology-Aware"（病理感知），这分明是"Pathology-Ignorant"（病理致盲）！强烈建议作者在使用大模型润色数据时，顺便让 AI 帮忙对齐一下 Excel 表格！

建议后续行动

• 联系作者要求提供原始数据（特别是 ChestX-ray14 1% 设置下的完整 log 日志）。
• 在 PubPeer 上提出质疑，公开质询 81.4 与 80.8 的数学矛盾以及 PAR 模块的负优化现象。
• 向期刊/会议编辑部（ACM MM 2025 审稿人/AC）举报，指出其核心实验数据存在伪造和自相矛盾嫌疑。

⚠️ 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。