ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training
2026-08-06 15:10
🔍 耿同学打假报告
论文信息
- 标题：ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training
- 作者：Rongsheng Wang, Qingsong Yao, Zihang Jiang, Haoran Lai, Zhiyang He, Xiaodong Tao, S. Kevin Zhou
- 期刊：Medical Image Analysis (2025)
- DOI：未在文本中明确提供
- 发表年份：2025
- 论文来源：2312.13316v4.pdf
综合评定：🟡 存疑
详细发现
发现 1：数据造假与统计学异常检测
- 位置：Table 4, Table 5, Table 7, Table 8, Table 9
- 描述：对论文中报告的核心分类、分割、检测指标，以及消融实验数据进行了末位数字分布和趋势逻辑分析。
- 证据：
- 末位数字分布：提取表4中ECAMP及各对比方法的AUC/ACC数值，末位数字（0-9）分布均匀，未发现人为编造数据常见的“集中于5/0”或过度规律现象。
- 增量逻辑：在表7和表8的消融实验中，随着训练数据比例的增加（1% -> 10% -> 100%），性能呈现合理的边际递减效应（即涨幅放缓），完全符合深度学习模型的正常训练逻辑。
- 自洽性：不同表格间报告的Baseline（如MRM、GLoRIA）数据基本保持一致，未发现为了突显自身而过度贬低Baseline的明显异常。
- 严重程度：🟢 无异常
- 复核状态：✅ 成立
发现 2：引用与方法学异常
- 位置：Section 3.1 (Context Distillation), Section 4.4 (Implementation Details)
- 描述：审查了论文使用大语言模型进行数据蒸馏的工程合理性和时间线。
- 证据：
- 时间线合理性：论文发表于2025年，其预印本初版时间为2023年底。使用GPT-3.5-turbo进行上下文蒸馏并微调Vicuna-7B作为本地蒸馏器，符合当时AI领域的工程常识和技术发展节点。
- 方法学逻辑：使用GPT API生成1万条数据作为种子，再训练本地小模型处理剩余几十万条MIMIC-CXR数据，这是大模型时代非常标准且合理的低成本数据扩展策略，逻辑自洽。
- 损失函数公式严谨性：Equation 3 中的权重分配逻辑在数学上能够保证总损失的尺度不发生偏移，方法学描述过关。
- 严重程度：🟢 无异常
- 复核状态：✅ 成立
⚠️ 发现 3：图片复用与拼接检测（局限性声明）
- 位置：Figure 1 ~ Figure 6
- 描述：尝试对论文的框架图、T-SNE图、热力图等进行视觉层面的伪造筛查。
- 证据：由于仅凭借纯文本无法进行像素级别的比对、噪点分析和PS边界检测，无法在此维度给出绝对定论。但就文本描述和框架逻辑（如Figure 4的梯度回传设计）来看，图表内容与方法描述高度一致，未发现明显的图文矛盾。
- 严重程度：🟡 无法判断（受限于纯文本检测）
- 复核状态：⚠️ 依据不足
发现 4：代码与开源验证
- 位置：Section 2 (Introduction), Section 4.5 (Baselines)
- 描述：论文声称其实验基于开源代码复现，并提供了仓库链接。
- 证据：作者明确给出了GitHub链接（https://github.com/ToniChopp/ECAMP），并详细说明了哪些对比实验是自己复现的（带†号），哪些是抄录原文的。这种严谨的数据追溯态度是良好学术诚信的体现。
- 严重程度：🟢 无异常
- 复核状态：✅ 成立
耿同学辣评
这活儿干得相当漂亮！无论是用ChatGPT“套话”提炼病历重点，还是精心设计的遮掩策略，都属于AI界“合法开挂”的典范。公式推导没破绽，消融实验做得满满当当，末位数字也完全没有“随机数生成器”的塑料味，核心文本和实验数据上没有发现任何造假嫌疑。唯一的小遗憾是，由于缺乏原始像素图片，目前无法对论文的图表进行视觉查重，因此综合评定暂时保持谨慎的“存疑”态度。但总体来看底盘很稳，建议某些天天搞PS拼图糊弄人的“水神”们好好学学什么叫专业！
建议后续行动
-
联系作者要求提供原始数据 -
在 PubPeer 上提出质疑 -
向期刊编辑部举报 - 呼吁网友提供论文原图，以补充视觉层面的查重验证
- 暂排除文本与数据层面的造假嫌疑，正常参考其学术观点
⚠️ 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。