🔍 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：文本中未提供
发表年份：2025
论文来源：arXiv:2312.13316v4

位置：Section 4.2 / Section 4.4
描述：对论文中的数据集划分逻辑和深度学习超参数设置进行交叉验证。
证据：
1. 数据划分自洽：作者在 4.2 节提到 CheXpert 数据集“designate the expert-labeled official validation set as the test data... randomly choose 5,000 radiographs from the training data as the validation set. The split... comprises 218,414/5,000/234 images.” 将这三个数字相加（218,414 + 5,000 + 234 = 223,648），完全等于前文声称的 CheXpert 总样本量（223,648 images），数学上严丝合缝。
2. 算力配置自洽：作者在 4.4 节声称“batch size is set to 256 for each GPU... gradient accumulation step of 8. Consequently, the effective batch size reaches 8,192.”。根据文本，训练使用 4 A100 GPUs。计算公式：256 (单卡) × 4 (卡数) × 8 (累积步数) = 8,192。数学逻辑完全成立，没有为了凑好看的数字而胡编乱造。
严重程度：✅ 正常
复核状态：✅ 成立

位置：Section 3.1 / Section 4.4 / References
描述：核对论文中使用的先进技术与其发表时间的逻辑顺序。
证据：论文声称使用 ChatGPT (GPT-3.5-turbo) 和 Vicuna-7B 进行上下文蒸馏。根据参考文献和论文发表时间（期刊版发表于 2025 年，arXiv 预印本 v4 标注日期为 2025 年 6 月 7 日），GPT-3.5-turbo API 和 Vicuna 模型均在 2023 年初发布。时间线完全合理，不存在“穿越”使用尚未发布的模型的情况。
严重程度：✅ 正常
复核状态：✅ 成立

位置：全文图表
描述：应用常规打假检测手段核查传统实验数据的指标。
证据：本论文属于纯计算机科学与人工智能（计算机视觉与自然语言处理）领域的交叉应用，不存在传统的湿实验图片（Western Blot、流式细胞术、显微镜图），因此不涉及图片复用、PS拼接或过度曝光检测。
1. 关于统计学异常：Table 4-11 中的性能指标（AUC, ACC, Dice, mAP）的小数点后一位分布符合真实模型训练的常态（带有轻微的正常波动，如 81.9, 85.1, 86.7），没有出现“所有实验组数据列之间差值完全相同”或“标准差为零”的随机数生成器造假痕迹。
2. 关于消融实验：Table 7 的消融实验结果显示了正常的性能抖动（例如去除某模块导致性能下降 0.5%~3%），逻辑自洽，没有出现违反常理的指数级突变。
严重程度：✅ 正常
复核状态：✅ 成立

有时候我们拿着显微镜在生物医学论文里找 PS 痕迹，结果遇到一篇搞 AI 医疗影像的硬核论文，人家连试管和离心机都不碰，纯靠算力和数学公式说话。从显存占用的数学逻辑，到数据集切分的加减法，居然连个小数点都没算错，逻辑闭环得让人想打假都无从下口——这活儿干得，主打就是一个“无机物的心智成熟”！

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。