🔍 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：🟠 高度可疑

详细发现

发现 1：数据造假与统计学异常（1%和10%数据量下AUC离奇一致）

位置：Table 1 (第5页)
描述：在 CheXpert (CXP) 数据集的 ViT-based 结果中，本论文在 1% 和 10% 训练数据比例下的 AUC 指标竟然一模一样，均为 89.5。更离谱的是，对比方法 MRM 在 1% 和 10% 数据下的 AUC 也完全相同，均为 88.5。
证据：在实际的深度学习实验中，随着训练数据量从 1% 增加到 10%，模型性能通常会出现明显波动（大概率是上升）。两个不同的模型在同样的数据集、同样的两个比例下，计算出的均值竟然精确到小数点后一位完全一致，这违背了基本的随机性与概率论常识。极度怀疑是作者在编造或复制粘贴数据时出现的“手工失误”。
严重程度：🔴
复核状态：✅ 成立

发现 2：数据造假检测（消融实验自相矛盾/反向升级）

位置：Table 4 (第6页) 及 Section 5.3.1 文本描述
描述：论文在 Table 4 中展示了消融实验结果。在 ChestX-ray14 数据集上，单独使用 DKBA 的得分为 81.0，但是当同时使用 PAR + DKBA（即完整的 Proposed 方法）时，得分反而下降到了 80.8。
证据：作者在 5.3.1 节的正文强行解释称“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）。然而，加入 PAR 后性能不升反降（81.0 -> 80.8），这在逻辑上直接违背了作者“互补优势”的文字声明。造假者往往只顾着凑其他数据集的提升，却忽略了横向对比的逻辑自洽。
严重程度：🔴
复核状态：✅ 成立

⚠️ 发现 3：方法学与引用异常（算力配置与实验规模匹配度存疑）

位置：Section 4.3 Implementation Details & 实验时间线
描述：论文声称在 MIMIC-CXR（包含 377,110 张图像）这样的大规模数据集上进行 200 个 epoch 的重建预训练加上 15 个 epoch 的对齐预训练，且涉及 ViT-B/16、BERT、GAT 等复杂的多模态联合计算。然而硬件仅使用了 "two NVIDIA RTX 4090 GPUs"。
证据：虽然 RTX 4090 算力尚可，但对于此类规模的医学多模态大模型预训练，双卡 4090 的显存（单卡 24G）和算力在 200 个 epoch 下显得极其捉襟见肘。结合发现1和发现2中极其明显的数据造假痕迹，我们有理由怀疑作者根本没有跑过这个规模的实验，或者算力支持与论文描述严重不符。
严重程度：🟠
复核状态：⚠️ 依据不足

⚠️ 发现 4：图片复用与拼接检测（无法进行像素级分析）

位置：Figure 1 ~ Figure 6
描述：文本中未提供足够的图片像素信息，无法进行原图比对、PS痕迹检测和背景噪点分析。
证据：基于纯文本检测受限，建议后续获取 PDF 原件进行特征图 t-SNE 可视化（Figure 5）等的相似度比对。
严重程度：🟡
复核状态：⚠️ 依据不足

耿同学辣评

这篇论文把当前 AI 界的“黑话”缝合得明明白白，结果底下表格里的数据却抄得马马虎虎。1% 和 10% 的数据跑出一模一样的 AUC，加上 PAR 模块分类性能反而掉点，合着你们这个“病理感知”是负优化呗？做学术不能用“我感觉它好”来代替数字，Ctrl+C 和 Ctrl+V 按累了记得核对一下小数点前后的逻辑！

建议后续行动

联系作者要求提供原始实验日志与数据
在 PubPeer 上提出针对表格数据的公开质疑
建议获取 PDF 原件进行图片相似度检测
若作者无法给出合理解释，可向 ACM 会议组委会或作者所在机构学术委员会举报

⚠️ 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