🔍 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 (会议时间为 2025年10月27–31日，当前日期为 2026年6月，时间线合理)

综合评定：🔴 实锤

详细发现

发现 1：数据造假检测（随机数生成器都不如）

位置：Table 1 (Linear classification results)
描述：在 CheXpert (CXP) 数据集的 ViT-based 结果中，本文提出的 "Ours" 模型在 1% 和 10% 训练数据下的 AUC 值竟然完全一模一样，没有任何变化。更离谱的是，对比基线模型 MRM，本文的数据呈现出极其刻意的“人为拔高”痕迹。
证据：
1. 零提升悖论：在 Table 1 中，Ours 在 CXP 数据集上的表现为 1%数据：89.5，10%数据：89.5。在深度学习中，训练数据量增加 10 倍（从 1% 到 10%），AUC 指标居然连小数点后两位的波动都没有（精确到 0.1% 依然完全相同），这在真实的多次epoch训练中是违背统计学常理的。
2. 太过巧合的常数差：MRM 在 CXP 上的表现为 88.5, 88.5, 88.7，而本文的 Ours 表现为 89.5, 89.5, 89.7。两者在 1%、10%、100% 数据上的差值完全是恒定的 +1.0。这种“教科书式”的整齐差值高度疑似直接在 baseline 结果上手动加上了固定的数值来伪造 SOTA。
严重程度：🔴
复核状态：✅ 成立

发现 2：方法学与逻辑异常（自相矛盾的消融实验）

位置：Table 4 (Ablation analysis) 及 Section 5.3.1 文本描述
描述：论文声称其核心模块 PAR（病理感知重建）和 DKBA（判别知识增强对齐）具有“互补优势”，但作者自己的消融实验数据却直接打脸，证明 PAR 模块不仅没有帮助，反而拉低了模型在特定任务上的性能。
证据：
在 Table 4 中：
- 不使用 PAR，仅使用 DKBA：ChestX-ray14 (AUC) = 81.0
- 同时使用 PAR 和 DKBA（完整模型）：ChestX-ray14 (AUC) = 80.8
  这意味着，加上作者大篇幅吹捧的 PAR 模块后，分类性能反而下降了 0.2%！然而作者在正文 5.3.1 中却无视这一负面结果，强行得出结论：“These results collectively validate the complementary benefits of PAR... and DKBA...（这些结果共同验证了 PAR 和 DKBA 的互补优势）”。这在学术逻辑上是极其不诚实的，且强行将劣化模型包装成 SOTA。
严重程度：🔴
复核状态：✅ 成立

⚠️ 发现 3：图片复用与拼接检测（局限性说明）

位置：Figure 1 ~ Figure 6
描述：由于当前提交的文本中未提供足够的原始高清图片像素信息，无法进行像素级别的背景噪点比对、Western Blot 泳道分析或 PS 痕迹扫描。
证据：纯文本检测限制。
严重程度：🟡（客观限制，非论文问题）
复核状态：⚠️ 依据不足

耿同学辣评

这篇 paper 的数据做得简直比我的发型还要“整齐”！训练数据翻了十倍，AUC 硬是一点没涨，跟 baseline 的差值更是用计算器固定加了 1.0 吧？最搞笑的是，作者自己做的消融实验明晃晃地显示加了核心模块性能反倒掉了 0.2%，结果文字部分闭着眼睛硬夸“优势互补”。怎么着，这模型是懂“反向优化”是吧？审稿人当时是闭着眼睛审的稿吗？

建议后续行动

联系作者要求提供原始实验日志和不同种子下的跑分方差
在 PubPeer 上提出质疑（重点质问 Table 1 的恒定差值和 Table 4 的逻辑矛盾）
向期刊/会议编辑部（ACM MM）举报，要求核实实验数据的真实性
向作者所在机构（重庆邮电大学）学术委员会举报

⚠️ 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