🔍 耿同学打假报告

论文信息

• 论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).pdf
• 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：✅ 清白

详细发现

发现 1：数据逻辑与一致性检测（第二式与第四式）

• 位置：Table 1, Table 2, Table 3, Table 4, Table 6（消融实验）
• 描述：全面排查了论文中所有报告的定量结果。深度学习论文通常存在“调参挑最好结果”的软性不端，但在本文的数据逻辑中，各竞品方法的对比符合当前医学视觉语言预训练领域的公认常识。此外，消融实验的各组件贡献分布合理，没有出现互相矛盾的数据（例如加入某模块后所有指标极其反常地暴增）。
• 证据：在 Table 4 中，单独使用 PAR 模块在分类任务（如 ChestX-ray14）上性能下降（79.1 降至 78.9），但在细粒度的检测和分割任务上提升明显；单独使用 DKBA 则相反。这种逻辑自洽的“ Trade-off ”现象非常符合真实的模型训练特征，而非随机数生成器造出来的“全面碾压”假象。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

发现 2：方法学与时间线检测（第五式与第六式）

• 位置：Section 3 (Method) & Section 4 (Implementation Details)
• 描述：检查了模型结构、训练策略及软硬件配置的时间线。论文声称使用两块 NVIDIA RTX 4090 GPU 进行预训练，且涉及多个当前主流的大型预训练模型（MGCA, PubMedBERT, RadGraph 等）。
• 证据：以当前日期为基准，RTX 4090 早已广泛普及，对于 ViT-B/16 架构的级联预训练方案（200个epoch的重建加上15个epoch的对齐），在逻辑上和时间上是完全合理的。方法学部分（如公式 1-13）未见前后矛盾，变量符号严谨统一，未发现编造不存在的底层架构。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

发现 3：图片与像素级分析局限性说明（第一式与第三式）

• 位置：Figure 1 - Figure 6
• 描述：因本次检测仅收到纯文本提取内容，无法获取论文的高清原图。
• 证据：论文原文中包含关于 Figure 1-6 的详细 Caption 描述（例如 Figure 5 提到的 t-SNE 可视化），但无图像像素信息，因此无法进行像素级查重、PS拼接痕迹检测以及 t-SNE 图的伪造痕迹分析。
• 严重程度：ℹ️ 无法判断（非异常）
• 复核状态：✅ 成立

耿同学辣评

这篇论文的实验逻辑居然严丝合缝？消融实验的“Trade-off”做得如此符合深度学习的玄学规律，没有用随机数生成器造出“全线暴涨”的假象，在这满世界“PPT造车”和“炼丹翻车”的圈子里，算是一股清流了。不过没有拿到高清原图，这次先放过你的 Western Blot（哦对不起，搞计算机的没有这玩意儿，只有 t-SNE 和热力图），但凡让我发现热力图是用 PS 画的“红框框”，下次必上 PubPeer！

建议后续行动

• （无需行动，当前文本层面未见异常）
• （可选）如有条件，可使用图像分析工具提取 Figure 5 和 Figure 6 的原图，复查是否存在视觉特征造假或拼接。

⚠️ 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。