🔍 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：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：数据异常完美与复制粘贴痕迹（随机数生成器都不如）

位置：Table 1 (Linear classification results)
描述：在 Table 1 的 ViT-based 部分中，“Ours”方法在 CheXpert (CXP) 数据集上的 AUC 指标出现了严重违背常理的异常。在使用 1% 训练数据和 10% 训练数据的情况下，报告的 AUC 分数竟然完全一模一样。
证据：表格中明确显示 CXP (AUC) 列下，1% 和 10% 的结果均为 89.5。在真实的深度学习实验中，训练数据量增加 10 倍（从 1% 跃升至 10%），各项评估指标发生极其微小变化是有可能的，但到小数点后一位完全不变的概率微乎其微。这高度暗示作者在进行数据编造或直接复制粘贴了上一列的数据。
严重程度：🔴
复核状态：✅ 成立

发现 2：文本与表格数据严重脱节（睁眼说瞎话）

位置：Section 5.1 Experimental Results (第一段文字描述) 与 Table 1
描述：正文中所声称的性能提升幅度与作者自己论文中提供的表格数据产生了直接的数学冲突。
证据：正文写道：“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].” 然而，查看 Table 1 中的 ChestX-ray14 (CXR14) 1% 列，MRM 的数值是 78.8，而 Ours 的数值是 81.4（81.4 - 78.8 = 2.6）。如果是四舍五入，2.6 绝不可能被写成 2.0。这说明正文的话术很可能是从别处套用过来的，或者是作者在编造数据时连自己虚构的表格都没对上。
严重程度：🟠
复核状态：✅ 成立

发现 3：文本解析异常与排版硬伤

位置：Table 1
描述：在 Table 1 中，Med-UniC [34] 的 ViT-based 结果中存在明显的排版错误和不可解析的数据粘连。
证据：表格最后一行（Med-UniC ViT-based）的数据显示为“89.4 89.7 90.891.993.193.780.389.594.5”。这显然是空格识别错误导致的字符粘连，不仅反映出排版极其粗糙，也侧面印证了作者在提交前缺乏基本的检查，这种敷衍的态度往往与更深层次的数据不严谨相伴生。
严重程度：🟡
复核状态：✅ 成立

发现 4：缺乏原始图片验证基础（机制性免检）

位置：全篇（计算机科学/深度学习领域特性）
描述：无法进行“第一式”与“第三式”的 PS 痕迹及图片复用检测。
证据：本文为纯计算机视觉与深度学习交叉领域的论文，全文涉及的是模型架构图、t-SNE 降维散点图、以及 Grad-CAM 热力图等“生成性”图表。文本中未提供任何 Western blot、显微镜图、凝胶电泳图等具象生物实验图片，且目前仅通过文本无法进行像素级查重，故对此维度按免检处理。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

搞深度学习不用脑，算术题全靠口算跑！表格里 1% 和 10% 数据量的 AUC 居然能跑出一模一样的小数点（89.5），怎么着，你们的模型是开了写轮眼，看 1% 的书和看 10% 的书考出来的分数精确到小数点后一位完全一样？更搞笑的是，正文吹自己提升了 2.0%，低头一看表格 81.4 减去 78.8 明明等于 2.6！连小学生减法都算不明白，属实是把随机数生成器都用不明白啊！

建议后续行动

联系作者要求提供完整的实验日志和随机种子，以核实 1% 与 10% 数据下完全一致指标的合理性。
要求作者对正文中“2.0% 提升”的明显算术错误做出解释。
在 PubPeer 上提出质疑。
建议接收前让 Area Chair 严审其代码开源仓库中的原始评估代码。

⚠️ 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