🔍 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（arXiv 预印本编号：2312.13316v4）
发表年份：2025
论文来源：2312.13316v4.pdf

综合评定：✅ 清白

详细发现

发现 1：实验设备与算力时间线验证（第六式：引用与方法学异常）

位置：Section 4.4 Implementation Details
描述：论文声称在 MIMIC-CXR 数据集（377,110 图像+文本对）上使用 4 张 A100 GPU，以有效 batch size 为 8192 训练了 120 个 epoch，耗时约 20 小时。在 FFA-IR 数据集上训练 60 个 epoch 耗时约 15 小时。
证据：原文 Section 4.4 明确指出：“our framework runs for 120 epochs on 4 A100 GPUs, taking approximately 20 hours. The training batch size is set to 256 for each GPU, and we utilize a gradient accumulation step of 8. Consequently, the effective batch size reaches 8,192.”。数学逻辑自洽（256 batch * 4 GPUs * 8 accumulation steps = 8192），算力消耗符合 ViT-B/16 架构在 4 张 A100 上的真实吞吐量。
严重程度：✅ 合理
复核状态：✅ 成立

发现 2：大语言模型时间线与引用验证（第六式：引用与方法学异常）

位置：Section 3.1 Context Distillation / Section 4.4
描述：论文使用 GPT-3.5-turbo API 和微调的 Vicuna-7B 模型对 2019 年的 MIMIC-CXR 数据集报告进行蒸馏。论文标注的当前日期基准为 2026 年，发表于 2025 年。
证据：原文 Section 3.1 提及使用 ChatGPT (GPT-3.5-turbo) 和 Vicuna7B (Chiang et al., 2023) 进行上下文蒸馏。这些前序大语言模型在 2022-2023 年发布，发表于 2025 年的论文使用它们完全符合时间逻辑，且引用规范，无“时空穿越”嫌疑。
严重程度：✅ 合理
复核状态：✅ 成立

发现 3：AI 论文的数据分布特征验证（第二式：数据造假检测）

位置：Tables 4, 5, 6, 7, 8, 9, 10, 11
描述：表格中汇报了大量的 AUC, ACC, Dice, mAP 指标，涵盖不同比例（1%, 10%, 100%）的微调数据集。
证据：审视原文中提供的所有表格数据，未出现“过于完美”的等差数列或违背常理的突变。消融实验（Table 7, 8, 9）中，去掉核心模块后性能下降的幅度（如 0.5%~3% 不等）非常符合深度学习领域真实的模块贡献率分布，末位数字杂乱无章，没有人工编造数据的痕迹。
严重程度：✅ 合理
复核状态：✅ 成立

发现 4：图像与排版分析受限说明（第一/三式：图片复用/拼接检测）

位置：Figure 1 ~ Figure 6
描述：由于本次检测输入仅为文本提取内容，无法获取图像的原始像素矩阵。
证据：根据原文的图文描述，本文包含架构图（Fig 1/3/4）、T-SNE 可视化图（Fig 5）以及交叉注意力热力图（Fig 6）。从文本描述来看，这些可视化图表用于辅助说明模型的表征学习效果，符合纯计算机视觉与深度学习论文的常规呈现方式，未发现文本层面描述的相互矛盾。
严重程度：✅ 暂无异常
复核状态：✅ 成立

耿同学辣评

今天咱们不看 WB 图，来看看 AI 炼丹炉里的数据是不是注水了。这篇论文可以说是“根正苗红”的 AI 算法 paper，没有湿实验那些移花接木的 PS 痕迹。4 张 A100 炼丹 20 小时的账算得清清楚楚，消融实验的涨点也是一步一个脚印。咱们打假最怕遇到那种“凑出来”的完美数据，但这篇论文的指标分布有着 AI 训练特有的“玄学”粗糙感——这就对了，真实世界哪有那么多完美闭环！

建议后续行动

~~联系作者要求提供原始数据~~（论文已提供 GitHub 开源链接：https://github.com/ToniChopp/ECAMP）
在 PubPeer 上提出质疑（不需要，未发现异常）
向期刊编辑部举报（不需要，未发现异常）
向作者所在机构学术委员会举报（不需要，未发现异常）

⚠️ 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。

ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training