🔍 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 International Conference on Multimedia (MM '25)
• DOI：10.1145/3746027.3755336
• 发表年份：2025（会议时间为 2025 年 10 月，当前日期 2026 年 6 月，时间线符合已发表状态）
• 论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).pdf

综合评定：🟡 存疑

详细发现

发现 1：逻辑自洽性与数据合理性审查（第二式/第四式）

• 位置：Table 1, Table 4, Table 6
• 描述：对深度学习论文常见的“刷榜”数据进行了交叉验证。在 Table 4（消融实验）中，考察了 PAR（重建）和 DKBA（对齐）模块的作用。数据显示，加入 DKBA 后分类任务（AUC/ACC）大幅提升（如 COVIDx 从 77.0 提升至 81.9），但对精细任务（Dice/mAP）帮助不大甚至有所下降；而加入 PAR 后，精细任务（Dice/mAP）提升。Table 6 的级联训练策略消融也完美呼应了这一点。
• 证据：深度学习论文造假重灾区是“不管加什么模块都能全面提升”或者“数据产生违背常理的突变”。本文的实验数据高度符合目前 Vision-Language Pre-training 领域的理论共识（即：重建学局部细节利于分割/检测，对比学全局语义利于分类）。数据逻辑形成闭环，未发现随机数生成器捏造数据的“太完美”痕迹。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 2：文本与排版异常（第六式）

• 位置：Table 1 (MRM 行, Med-UniC 行), Table 5 (KAD 行), 第 3.1 节文本
• 描述：
  1. 拼写错误：3.1 节中 “We remove entities classified as abesent.” 存在明显拼写错误（应为 absent）。
  2. 表格数字粘连：Table 1 中 MRM 的 CXP 数据 “88.5 88.5”、Med-UniC 的部分数据（如 “90.891.993.7”）、以及 Table 5 中 KAD 的 SIIM 和 RSNA 数据 “66.020.9”，存在明显的漏加空格排版错误。
• 证据：虽然这属于排版和校对的疏忽，但在严谨的学术打假中，这种低级错误往往是“粗心大意”的标志。不过，考虑到这是一篇纯算法模型论文，且数值本身没有出现数学悖论，判定为作者的疏忽而非核心数据造假。
• 严重程度：🟡 存疑（无心之失，但建议作者以后长点心）
• 复核状态：✅ 成立

发现 3：图片与实验复现审查受限（第一式/第三式）

• 位置：Figure 1 ~ Figure 6
• 描述：由于目前仅接收到文本提取内容，无法获取原始图片的高清像素信息。
• 证据：文本中未发现图片序号引用错误（如 Fig 1 引用成了 Fig 2 的内容），所有配图逻辑与文字描述一致。作者在摘要中明确给出了开源代码地址（https://github.com/Felix1118/PADKB），这在计算机视觉领域是极好的可信度背书。
• 严重程度：✅ 暂无异常（保留人工线下像素级审查的权利）
• 复核状态：✅ 成立

耿同学辣评

这是一篇将“重建”和“对齐”两大流派强行缝合的论文，但人家不仅把针脚（Cascaded strategy）藏得好，消融实验做得还贼闭环——该涨分类的涨分类，该涨分割的涨分割，一点没瞎吹。数学逻辑上没看出什么大毛病，就是这拼写检查和表格排版大概是写代码写到半夜闭着眼睛排的。建议下次投稿前花 5 块钱买个 Grammarly 会员！

建议后续行动

• 虽然未发现造假，但可访问其 GitHub 仓库验证代码与论文描述的一致性。
• 无需联系作者提供原始数据（因为不存在 Western blot 等易于造假的湿实验图片）。
• 建议作者发布勘误，修正表格排版和拼写错误。

⚠️ 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。