🔍 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：未在提供文本中明确体现（属于 arXiv 预印本 v4 版本，文件来源：2312.13316v4.pdf）
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：文本中未提供足够的图片信息，无法进行像素级分析

位置：全篇图片（Fig. 1 - Fig. 6）
描述：由于仅提供了论文的纯文本提取内容，缺失所有视觉面板的像素数据，无法执行耿同学第一式（图片复用检测）和第三式（图片拼接检测）。但根据文本中的图注描述，相关架构图、T-SNE可视化图和交叉注意力图的逻辑合理，未发现描述层面的自相矛盾。
证据：在纯文本模式下，无法捕获 Western blot 条带背景噪点、PS 痕迹等视觉异常。
严重程度：🟡（信息不足）
复核状态：✅ 成立

发现 2：数据呈现符合真实模型训练规律（第二式验证）

位置：Table 4, Table 5, Table 6, Table 7
描述：对论文中报告的多个数据集（ChestX-ray14, CheXpert, RSNA, COVIDx等）在不同训练数据比例（1%, 10%, 100%）下的表现进行排查。数据呈现自然的非线性增长。例如 Table 4 中 COVIDx 数据集在 1% 到 100% 数据量下准确率从 83.0 提升至 97.5，符合深度学习模型在小样本到全量数据上的典型对数增长曲线。
证据：原文 Table 4 明确列出 COVIDx 数据集在 1%、10%、100% 比例下的 ACC 分别为 83.0、95.5、97.5。数据不存在不同实验组之间差值完全恒定的数学造假痕迹。
严重程度：✅ 正常
复核状态：✅ 成立

发现 3：超参数与消融实验逻辑自洽（第四式验证）

位置：Table 7（消融实验）, Table 9（超参数分析）
描述：Table 7 中逐步去除各个模块（CD, DM, RF, SR, MSCF）后，模型性能均出现合理程度的下降。Table 9 中对 re-balancing factor（ $\lambda_{neg}$ ）进行敏感性分析时，性能呈现出先上升后下降的倒U型曲线（0.025到0.5区间），在0.05处取得最优值。这在统计学和方法学上是高度合理的，排除了为了强行凑出显著性而进行 p-hacking 的嫌疑。
证据：原文 Table 9 显示，在 COVIDx (ACC) 1% 数据下， $\lambda_{neg}$ 取值为 0.025, 0.05, 0.1, 0.25, 0.5 时，ACC 分别为 85.0, 86.3, 80.5, 79.5, 82.5，确实在 0.05 处达到峰值，呈现真实实验的波动特性。
严重程度：✅ 正常
复核状态：✅ 成立

发现 4：大模型引用与时间线完美吻合（第五式、第六式验证）

位置：Section 3.1, Section 4.4, Table 2, Table 3
描述：论文声称使用 GPT-3.5-turbo（OpenAI 2023）蒸馏 10,000 份报告，随后微调 Vicuna-7B（Chiang et al. 2023）。Vicuna 模型发布于 2023 年 3 月，GPT-3.5-turbo 发布于 2023 年 3 月。而该论文的 arXiv v1 版本时间戳为 2023 年 12 月，作为发表在 Medical Image Analysis (2025) 的版本，这一研究时间线在逻辑上完全站得住脚。
证据：原文 3.1 节及 4.4 节确认了使用 GPT-3.5-turbo 蒸馏并训练 Vicuna-7B 的流程。Table 2 中的 prompt 存在极轻微的语法瑕疵（如 "help me analysis"），符合真实科研工作者快速迭代测试的特征。
严重程度：✅ 正常
复核状态：✅ 成立

发现 5：唯一的方法学轻微瑕疵（第六式验证）

位置：Section 4.4 Implementation Details
描述：论文宣称使用“8-layer ViT-B/16 as the backbone”。在 Dosovitskiy et al. (2020) 的原始 Vision Transformer 架构中，ViT-B/16 标准配置为 12 层。如果强行截断为 8 层，严格来说不应再叫标准的“ViT-B/16”（通常用于节省显存或测试特定深度）。
证据：原文 Section 4.4 明确写道：“We utilize an 8-layer ViT-B/16 Dosovitskiy et al. (2020) as the backbone for the image encoder and a 4-layer ViT-B/16 for the image decoder.” 证实了文本确实存在此定义描述。
严重程度：🟡（轻微瑕疵，不影响核心结论）
复核状态：✅ 成立

耿同学辣评

作为一名 CV 和医疗图像领域的鉴宝师，我得说这篇论文的“成色”相当不错！从 GPT-3.5 蒸馏知识到 Vicuna-7B，这套组合拳打得行云流水，消融实验的数据波动真实得让人想给它鼓掌。唯一让我眉头一皱的是，标准的 ViT-B/16 明明是 12 层，这硬生生砍成 8 层还要叫原名，这是为了省 A100 的电费吗？不过瑕不掩瑜，整体逻辑和数据经得起推敲，是一篇诚意满满的硬核干货！

建议后续行动

无需联系作者要求提供原始数据（未发现核心数据造假）。
无需在 PubPeer 上提出质疑。
（可选）可以通过邮件友好地向作者请教关于 8-layer ViT-B/16 的具体实现细节。

⚠️ 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