🔍 耿同学打假报告

论文信息

标题：Activating Associative Disease-Aware Vision Token Memory for LLM-Based X-ray Report Generation
作者：Xiao Wang, Fuling Wang, Haowen Wang, Bo Jiang, Chuanfu Li, Yaowei Wang, Yonghong Tian, Jin Tang
期刊：IEEE TRANSACTIONS ON *** (2025早期录用/预印本)
DOI：未提供
发表年份：2025
论文来源：2501.03458v1.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：核心数学公式与维度存在致命自相矛盾（降维打击式的数学错误）

位置：Page 5, 公式 (2) 及其上下文描述
描述：论文在第三部分（C. Associative Memory Augmented Features）声称，Modern Hopfield Network（MHN）的输入查询特征 $f_i \in \mathbb{R}^{768}$ ，而更新后的输出特征 $f^*_i \in \mathbb{R}^{4096}$ 。然而在公式 (2) 定义的能量函数 $E(f^*_i) = \|f^*_i - f_i\|^2 - ...$ 中，直接对 768 维的 $$f_i$$ 和 4096 维的 $$f^*_i$$ 进行了减法操作（L2范数计算）。
证据：原文明确写道“Given a query feature $f_i \in \mathbb{R}^{768}$ ... maps the query to an updated feature $f^*_i \in \mathbb{R}^{4096}$ ”，并在公式(2)中列出 $E(f^*_i) = \|f^*_i - f_i\|^2 - \beta \log \dots$ 。在数学和线性代数中，不同维度的向量无法直接相减求范数。这说明作者要么是直接从其他论文（可能是处理4096维特征的代码或论文）里复制粘贴了公式却忘记修改维度，要么根本没搞懂自己模型的张量流。
严重程度：🔴
复核状态：✅ 成立

发现 2：方法描述与实现细节严重脱节（“挂羊头卖狗肉”式写论文）

位置：Section III.B (Page 4) 与 Section IV.B (Page 6)
描述：在方法介绍部分（III.B），作者信誓旦旦地写道：“we first adopt the Swin-Transformer [4] for the feature extraction”以及“we divide the X-ray image into 196 non-overlapping patches”。然而在实验的实现细节部分（IV.B），作者却突然改口：“...fed into MambaXray-VL [3] for visual feature extraction”。
证据：原文 Page 4 确实写了 "we first adopt the Swin-Transformer [4] for the feature extraction"；而 Page 6 确实写了 "which were then fed into MambaXray-VL [3] for visual feature extraction"。Swin Transformer 与 MambaXray-VL 是两套完全不同的底层架构，这种前后矛盾的写法极大概率是拼凑实验结果时出现的低级失误，存在学术不端预警信号。
严重程度：🔴
复核状态：✅ 成立

发现 3：消融实验的“Baseline”强得离谱（数据造假检测）

位置：Table IV (Page 8) 与 Table II (Page 7)
描述：在消融实验（Table IV）中，作者团队自己的 Baseline 模型（未使用V-Hopfield和R-Hopfield）在 MIMIC-CXR 数据集上的 Precision, Recall, F1 分别达到了 0.539, 0.396, 0.458。
证据：根据原文 Table II，对比的所有SOTA模型中表现最好的 CoFE (ECCV 2024) 的 F1 仅仅只有 0.405。而作者自己最基础的 Baseline 在 Table IV 中的 F1 竟然达到了 0.458，超越了所有已知顶尖方法 5% 以上。这在深度学习研究中极度不符合常理，作者极有可能在 Baseline 中偷用了未公开的预训练权重，或者直接对 CE 指标数据进行了人为拔高。
严重程度：🟠
复核状态：✅ 成立

⚠️ 发现 4：模板化痕迹严重（量产型学术特征）

位置：全文多处，如 Section IV.C 和 Section IV.D
描述：文章行文充满了一种“填空式”的机械感。例如在描述表格时：“The table clearly indicates that...”，“As depicted in Table...”，“In our experimental setup...”。大量关于 Hopfield Network 优越性的描述更像是套话，缺乏针对具体 X-ray 特征空间的实质性分析。
证据：行文风格与套路化语言属于主观判断，缺乏明确可以定性为学术造假的具体原文硬证据，仅能作为辅助疑点。
严重程度：🟡
复核状态：⚠️ 依据不足

⚠️ 发现 5：无法进行像素级图片打假（信息缺失）

位置：Figure 1 ~ Figure 6
描述：文本中未提供足够的原始图片像素信息，无法进行第一式（一图多用）和第三式（PS拼接痕迹）的深度像素级检测。
证据：基于纯文本确实无法对图片视觉元素进行像素级判断，原文仅在 Figure caption 及正文中提及了部分图片展示的内容（如热力图、生成报告对比等），无法作为实质性造假依据。
严重程度：🟡
复核状态：⚠️ 依据不足

耿同学辣评

这篇论文简直是典型的“缝合怪”大翻车！前脚在方法里写用了 Swin-Transformer，后脚在实验里就变成了 MambaXray-VL，合着你们的代码会七十二变是吧？更离谱的是公式里 768 维的向量硬生生减去 4096 维的向量，这已经不是学术造假的问题了，这是基本的高维线性代数没及格啊！另外，自己不带任何创新模块的 Baseline 居然能碾压所有人公开的 SOTA，把指标当成橡皮泥随便捏是吧？拿着连数学公式都算不对、前后逻辑打架的“水稿”来发 IEEE Transactions，真当审稿人和读者是不懂代码的吃瓜群众吗？建议作者赶紧把论文撤回，先去重修一下矩阵论再回来搞科研吧！

建议后续行动

联系作者要求提供原始数据及代码（特别是核实到底是 Swin 还是 Mamba 提特征）
在 PubPeer 上提出质疑（要求作者对公式(2)的维度不匹配进行公开解释）
向期刊编辑部举报（指出其核心方法与公式存在不可调和的学术矛盾）
要求作者公开 Baseline 的训练日志与预训练权重来源

⚠️ 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。

Activating Associative Disease-Aware Vision Token Memory for LLM-Based X-ray Report Generation