🔍 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：Proceedings of the 33rd ACM International Conference on Multimedia (MM ’25)
DOI：https://doi.org/10.1145/3746027.3755336
发表年份：2025

综合评定：✅ 清白

详细发现

发现 1：图片复用与拼接检测（第一式/第三式受限）

位置：Figure 1 - Figure 6
描述：无法进行像素级分析。
证据：当前仅提供了论文的纯文本提取内容，未提供原始图片信息，无法检测 Western Blot、显微镜图或特征可视化图（Figure 5/6）是否存在一图多用或 PS 拼接痕迹。
严重程度：N/A（信息不足）
复核状态：⚠️ 依据不足

发现 2：数据规律与统计学异常检测

位置：Table 1, Table 2, Table 3
描述：对比学习基线方法与本文方法的提升幅度符合深度学习领域正常规律，未发现随机生成器造假痕迹。
证据：
1. 各项指标的末位数字分布自然（包含 0-9 的多种情况），没有呈现刻意的整数化或规律性。
2. 数据的涨跌符合逻辑。例如，本文方法在分类任务（Table 1）上大幅领先，但在细粒度的检测分割任务（Table 2/3）上相较于基线（如 MRM）的提升幅度较温和。这符合算法本身的设计逻辑，而非“全面吊打”的造假式完美。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 3：消融实验数据“反常”的合理性（真实性印证）

位置：Table 4 (Page 7)
描述：在消融实验中，加入单独的 PAR 模块后，ChestX-ray14 数据集上的 AUC 性能从 79.1 下降到了 78.9。
证据：耿同学常说“过于完美的数据一定是假的”。这处性能下降不仅被如实地记录在表格中，而且在正文中得到了合理的解释（PAR 专注于细粒度任务可能略微损害全局分类）。这种不掩饰微小性能衰退的做法，是真实实验的典型特征，基本排除了系统性数据捏造的嫌疑。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 4：时间线与引用检测（第六式）

位置：References & Implementation Details (Page 6)
描述：引用的模型、硬件设备与论文发表年份的时间线高度吻合，方法学逻辑自洽。
证据：
1. 硬件时间线：实验使用了两张 NVIDIA RTX 4090 显卡。RTX 4090 于 2022 年上市，在 2025 年的会议论文中使用完全合理。
2. 方法引用：引用了 NeurIPS 2024 的 Med-UniC [34] 和 CVPR 2024 的 CARZero [21] 作为对比或参考，时间线上完全有机会被 2025 年的论文引用。
3. 公式推导：核心公式（如公式 3 的加权 MSE、公式 5 的对比损失、公式 6-8 的 GAT 注意力机制）均符合标准的数学定义，未发现自由度冲突或不自洽的数学关系。
严重程度：✅ 无异常
复核状态：✅ 成立

耿同学辣评

这篇论文可以说是深度学习时代的“标准合规炼丹笔记”。虽然标题起得挺吓人（又是 Pathology-Aware 又是 Knowledge Boosting），实际上就是把重建和对齐两个范式缝在一起，但作者缝合得比较实在。最让我欣慰的是，Table 4 消融实验里加了模块性能反而掉点了，作者也没想着去“修一下”数据，这种敢于展示“不完美”的勇气，恰恰是真实实验最好的通行证。另外，标题里的 Che-Xray 拼写（少了个 st）属实有点小尴尬，下次投稿前记得让师弟师妹多检查两遍拼写哈！

建议后续行动

正常引用与学习，无需特别质疑。
（可选）如果有条件，可以跑一下作者开源的 GitHub 代码验证精度。

⚠️ 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