🔍 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：🟡 存疑

详细发现

⚠️ 发现 1：图片复用与拼接检测（一图多用/PS痕迹）

位置：全篇图片（Figure 1 ~ Figure 6）
描述：本文为一篇计算机视觉与深度学习领域的顶会论文（ACM MM），主要涉及模型架构图、t-SNE特征聚类降维图、以及热力图可视化。未包含传统生医湿实验中的 Western blot、流式细胞术或凝胶电泳图。
证据：论文文本中包含了各图的 Caption 描述（如 Figure 1 至 Figure 6），但由于当前仅提供纯文本提取内容，未提供原始像素级图片信息，无法进行深度的图像取证（如 ELA 误差分析、噪点模式提取）。仅依据文本描述，未发现明显的视觉表达逻辑异常，但缺乏直接图像证据。
严重程度：🟡（信息不足暂计为异常，需原图复查）
复核状态：⚠️ 依据不足

发现 2：数据造假与逻辑检测（随机数生成器都不如）

位置：Table 1, Table 2, Table 3（实验结果对比）、Table 4, Table 6（消融实验）
描述：本文没有使用伪造的随机数生成器去编造完美上升的数据，反而存在反常的“不完美”逻辑。
证据：
1. 承认竞争对手更强：在 Table 1 中，作者诚实地标注了 Med-UniC 在 CheXpert 数据集上的表现（1% 89.4, 10% 89.7, 100% 90.8）优于自己的模型（1% 89.5, 10% 89.5, 100% 89.7）。并在正文 5.1 节大方承认 "our model underperforms compared to Med-Unic"。真正靠造假灌水的论文通常会全方位无死角地“吊打”所有基线，作者这种“认怂”的态度反而是科研诚信的体现。
2. “逆向”消融实验：在 Table 4 中，加入 PAR 模块后，ChestX-ray14 的 AUC 反而从 79.1 下降到了 78.9。这说明实验结果是真实跑出来的，并未经过人为粉饰。
严重程度：✅ （清白，证据可靠）
复核状态：✅ 成立

发现 3：统计学异常检测（p值与方差）

位置：全篇实验结果
描述：未发现相关统计学异常。
证据：AI 领域的论文通常不关注 p 值，而是直接比拼绝对指标（AUC, mAP, Dice 系数）。原文的 Table 1~3 均为直接汇报指标数值，指标提升幅度（如 1%~2%）符合当前医学图像预训练领域 SOTA 模型的正常优化区间。
严重程度：✅ （清白）
复核状态：✅ 成立

发现 4：产出异常与方法学异常

位置：Implementation Details (4.3 节)
描述：硬件配置与训练逻辑合理，无时间线冲突。
证据：
1. 作者在 4.3 节明确提及“completed on two NVIDIA RTX 4090 GPUs, with 200 epochs for reconstruction pretraining and 15 epochs for alignment pretraining”。在 MIMIC-CXR 这种庞大医疗数据集上，利用两张 4090 进行 200 个 epoch 的 MAE 重建预训练，时间成本和硬件需求高度符合现实情况。
2. 引用的方法（如 MAE, MRM, MGCA）皆为相关工作中真实存在的医疗视觉预训练模型。
严重程度：✅ （清白）
复核状态：✅ 成立

耿同学辣评

各位同学把心放肚子里，这篇论文在数据和实验逻辑上不仅没造假，反而透着一股“清澈的老实人”气息！造假分子恨不得消融实验的每一根毛都往上长，这篇论文倒好，加上 PAR 模块后 ChestX-ray14 的指标居然还跌了 0.2%。更难得的是，打不过别人的数据（Med-UniC）就堂堂正正列出来，还在正文里大方承认自己不行。就凭这敢于“自爆弱点”的学术坦荡，耿某人愿称你为 AI 界的一股清流！

不过需要提醒大家，由于打假系统目前只提取到了文本，缺乏原图像素级素材进行法证分析，综合评定依然保持谨慎的“存疑”级别，大家在参考时可以留意其开源代码的复现效果。

建议后续行动

~~联系作者要求提供原始数据~~（数据逻辑无需）
~~在 PubPeer 上提出质疑~~（无需）
~~向期刊编辑部举报~~（无需）
建议同行直接去跑一下开源代码（https://github.com/Felix1118/PADKB）看复现效果如何，有条件可对照原始 PDF 中的图片再行复查。

⚠️ 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