🔍 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 MM '25 (33rd ACM International Conference on Multimedia)
• DOI：https://doi.org/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/统计学异常（完美的巧合）

• 位置：Table 1 (CXP 数据集 AUC 结果)
• 描述：在 Table 1 的 ViT-based 分类中，本论文（Ours）在 CXP (CheXpert) 数据集上的 1% 和 10% 训练数据比例下，AUC 指标完全一致，均达到了精确的 89.5%。
• 证据：在深度学习的线性分类探测中，训练数据量从 1%（几十到几百张样本）大幅增加到 10%（几千张样本），模型的性能指标会发生显著波动。在大型医疗数据集上，两个截然不同的训练规模产生精确到小数点后一位的相同指标（89.5 和 89.5），在统计学和实际实验中是极度不合理的。这强烈暗示数据可能是人为编造、复制粘贴，或者经过了不合理的修饰。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：文本与表格的数学逻辑矛盾

• 位置：Section 5.1 (Results on Linear Classification) 与 Table 1
• 描述：正文声称：“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].”
• 证据：核对 Table 1 中 ChestX-ray14 (1%) 的数据，MRM 的 AUC 为 78.8，而 Ours 的 AUC 为 81.4。81.4 - 78.8 = 2.6%。作者声称的提升幅度（2.0%）与表格中的实际差值（2.6%）存在明显的数学矛盾。这种偏差通常发生在作者为了规避“过度夸大”而强行修改正文话术，却忘了同步修改表格数据，反之亦然。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 3：表格数据排版与输入异常（PS/造假痕迹）

• 位置：Table 1 (ViT-based 部分最后一行 Med-UniC 数据)
• 描述：对比基线模型 Med-UniC 的数据排版出现了严重的数值粘连和格式崩溃。
• 证据：文本显示为 89.4 89.7 90.891.993.193.780.389.594.5。这不仅缺乏正常表格的空格分隔，连小数点都连在了一起（如 90.8 和 91.9 变成了 90.891.9）。这种异常通常不是单纯的排版错误，而是在使用 LaTeX 绘制表格时，手动硬编码（或编造）数据不慎导致的格式灾难，是流水线式/赶工型学术造假中常见的低级失误。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 4：像素与图片分析限制声明

• 位置：Figure 1 ~ Figure 6
• 描述：无法进行一图多用和图片拼接检测。
• 证据：由于当前仅基于文本和表格数据进行复核，无法获取论文图片的原始像素信息（如 t-SNE 可视化图、特征热力图等），因此无法判断 Figure 5 (t-SNE 可视化图) 等图像是否存在为了美化结果而人为修改聚类边界的情况。
• 严重程度：无法判断
• 复核状态：⚠️ 依据不足

耿同学辣评

老话说得好，数据不会说谎，但写论文的人算数可能不太好。10倍训练样本砸下去，AUC在百分位和小数点后第一位竟然能做到雷打不动的“分毫不差”，这模型是提前买了三份相同的保险吗？表格里的数字粘成了一团糊糊，正文的差值算术还能算错2.6%等于2.0%——同学们，造假不可怕，可怕的是连造假都抄不走心啊！

建议后续行动

• 联系作者要求提供 1% 和 10% CheXpert 数据集上的完整原始日志
• 要求作者解释论文正文与表格数据的数学不一致原因
• 在 PubPeer 上提出质疑
• 建议 ACM MM 2025 程序委员会或期刊编辑部核查其代码库复现性

⚠️ 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。