🔍 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
机构：重庆邮电大学
期刊/会议：ACM MM '25 (33rd ACM International Conference on Multimedia)
DOI：10.1145/3746027.3755336
发表年份：2025 (预计发表于 2025年10月)
论文来源：acmmm-submission.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：张冠李戴的“幽灵引用”

位置：Section 2.1 (Related Work) / Section 5.2 (Experimental Results)
描述：论文在正文论述中存在多处严重的参考文献引用错误，完全文不对题。
证据：
1. 在 2.1 节中，作者写道“MedUnic [24] integrates multimodal medical data...”，但查阅参考文献列表，文献 [24] 实际上是 Liu 等人的 SAT (Semantics-Aware Triage)，而真正的 Med-UniC 是文献 [34]。
2. 在 5.2 节中，作者写道“the reconstruction-based MRM [46] outperforms MGCA [12] and Med-Unic [34]”，在 5.4.2 节写道“While MGCA [12] employs cluster alignment...”。但文献 [12] 根本不是 MGCA，而是 He 等人的 MAE (Masked Autoencoders)！MGCA 的正确引用应该是 [35]。
严重程度：🟠
复核状态：✅ 成立

发现 2：薛定谔的实验对比（文本与图表严重脱节）

位置：Section 5.2 (Results on Detection and Segmentation) / Table 3
描述：作者在正文中得出了结论，但支撑该结论的数据在表格中完全不存在。
证据：作者在正文声称：“the reconstruction-based MRM [46] outperforms MGCA [12] and Med-Unic [34] on fine-grained downstream tasks, despite Med-Unic using the additional pre-training dataset PadChest”。然而，查看 Table 3（目标检测实验结果），整个表格中根本没有列出 Med-UniC [34] 的任何数据。作者是如何在没跑别人模型、表格也没放数据的情况下，信誓旦旦得出“MRM 超越了 Med-UniC”的结论的？这是典型的伪造实验对比逻辑。
严重程度：🔴
复核状态：✅ 成立

发现 3：惨不忍睹的数据排版（复制粘贴痕迹）

位置：Table 1 / Table 5
描述：表格中的实验数据存在极度不自然的粘连和排版错误，暴露出极其粗糙的数据处理或复制粘贴痕迹。
证据：
1. 在 Table 1 的 Ours 行中，数据赫然写着：89.5 89.589.792.1 93.2 93.8，数字直接连在了一起。
2. 在 Table 5 的 KAD 行中，出现了 66.020.9 这样的乱码数据。
  这种低级格式错误表明，作者可能是从 Excel 或其他地方直接把数值硬贴进 LaTeX 源码中，甚至连基本的校对都没做。连外在形式都如此敷衍，其底层数据的真实性令人担忧。
严重程度：🟡
复核状态：✅ 成立

发现 4：自相矛盾的消融实验

位置：Table 4 / Section 5.3.1
描述：核心模块 PAR 在其最该发挥作用的主要任务上，竟然起了反作用。
证据：在摘要和引言中，作者大肆吹捧 PAR（病理感知重建）模块。但在 Table 4 的消融实验中，对于线性分类任务：
- 不加 DKBA 时：Baseline (CXR14) 为 79.1，加了 PAR 后居然下降到了 78.9！
- 加上 DKBA 时：Baseline (CXR14) 为 81.0，加了 PAR 后再次下降到了 80.8！
  作者在正文中对此现象避重就轻，试图用“细粒度任务表现好”来掩饰其在分类任务上的负面收益。这种“加了核心模块反而掉点”的现象，说明模型结构设计的逻辑自洽性存在严重问题，或者数据本身就是东拼西凑出来的。
严重程度：🟠
复核状态：✅ 成立

发现 5：缺失的统计学严谨性

位置：全篇实验部分 (Tables 1, 2, 3)
描述：所有的性能对比均未提供标准差，且不顾方差重叠直接宣称“显著提升”。
证据：例如 Table 1 中，Ours 在 RSNA (1%) 上达到 92.1，对比 MRM 的 90.9，提升仅为 1.2%。在没有多次随机种子重复实验、未提供误差棒的情况下，深度学习领域中 1% 左右的提升通常落在随机噪声范围内，直接宣称“显著提升”是缺乏科学严谨性的。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

这篇顶会论文的排版和引用简直是“乱来”——想引用 MGCA 却引成了 MAE，想踩一脚 Med-UniC 结果表格里连人家的数据都没放！数据直接粘贴成 89.589.792.1 这种鬼样子就敢投 ACM MM，不仅是视力问题，更是态度问题。再看看心爱的 PAR 模块，加上去之后分类性能不升反降，合着这模块是来给对手“送温暖”的？这要是能过审，评委怕是闭着眼睛审的稿。

建议后续行动

联系作者要求提供原始数据及实验跑分日志（特别是关于 MRM 与 Med-UniC 对比的原始记录）。
在 PubPeer 上提出质疑（重点指出幽灵引用和图文不符的问题）。
建议同行仔细复核其 GitHub 开源代码的评测脚本。

⚠️ 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。

Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for Che-Xray Vision-Language Pre-training