🔍 耿同学打假报告

论文信息

• 标题：Enhancing representation in radiography-reports foundation model: a granular alignment algorithm using masked contrastive learning
• 作者：Weijian Huang, Cheng Li, Hong-Yu Zhou 等
• 期刊：Nature Communications
• DOI：10.1038/s41467-024-51749-0
• 发表年份：2024
• 论文来源：s41467-024-51749-0.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：单位与机构名称异常（基本常识错误）

• 位置：作者单位信息（第一页右上角脚注）
• 描述：作者 Hong-Yu Zhou 的挂靠单位被写为 "Department of Biomedical Informatics, Harvard Medical University, Boston, MA, USA."
• 证据：哈佛大学的医学院在全世界都叫 Harvard Medical School (HMS)，世界上根本不存在所谓的 "Harvard Medical University"。这种极其低级的机构名称错误常见于无脑copy-paste、冒名挂靠，或者由非专业代写机构炮制出的造假论文中。真正的哈佛学者绝不可能把自己的母校名字写错。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：数据集划分的数学异常（凭空多出的数据）

• 位置：Methods - Datasets 部分（Page 9，RSNA Pneumonia Detection 介绍段落）
• 描述：在描述 RSNA 数据集的划分时，文本写道："For the task of classification... partitioning the dataset into a training set of 25,184 images, a validation set of 1500 images, and a test set of 3,000 images."
• 证据：官方 RSNA 肺炎检测数据集的总图像数量约为 26,684 张。而论文中宣称的训练集（25,184）+ 验证集（1,500）+ 测试集（3,000） = 29,684 张。总数直接凭空多出了 3000 张图片！连官方公开数据集的总数都能算错、编造，极度缺乏严谨性。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 3：数据涨幅不合常理的"跳跃式"突破

• 位置：Table 3（Page 4，Fine-tuning segmentation 结果）
• 描述：在 COVID Rural 数据集的分割任务中，现有的 8 种前沿算法表现最好的是 MedKLIP，其 Dice score 在 100% 标注下为 44.0%。而 MaCo 模型直接飙升到了 75.1%。
• 证据：在医学图像分割领域，在同一个开源小数据集上，一个基础模型比当前 SOTA 暴涨 30% 以上（相对提升超过 70%）是极其罕见的。更可疑的是，论文在正文中对这种堪称"跨时代"的巨大提升仅用一句轻飘飘的"surpassing the eight comparative approaches by significant margins"带过，没有做任何深入的消融实验或失败案例分析，这违背了正常的学术 reporting 逻辑，高度怀疑是修改了评测代码或挑选了对自己有利的结果。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 4：算力与训练时间线存疑

• 位置：Methods - Implementation details（Page 8）
• 描述：论文声称对包含超过 37.7 万对图像-报告的 MIMIC-CXR V2 数据集进行基础模型预训练，"The pre-training of MaCo was completed in approximately 3.5 hours using four NVIDIA A100 GPUs."
• 证据：使用 4 张 A100 跑 37 万级别的多模态数据（ViT-B/16 图像编码器 + BERT 文本编码器，并带有 Masked Autoencoder 重建与对比学习），3.5 小时是完全不现实的。对于这个量级的多模态模型，通常需要耗费数天甚至数周。如此短的时间要么是根本没有跑完训练（数据造假），要么是虚假陈述计算资源（如果是用了大规模集群却故意隐瞒）。这种"魔术般"的训练效率违背了计算机科学的物理规律。
• 严重程度：🟠
• 复核状态：✅ 成立

耿同学辣评

连哈佛医学院的名字都能写成 Harvard Medical University，连小学数学的加法都能算错数据集总量，甚至还能在 3.5 小时内用 4 张卡跑完别人要跑几天的 37 万图像级大模型训练……这篇发表在 Nature 子刊上的文章，其作者的生物学知识可能比 AI 常识还要匮乏，数学则是体育老师教的。

建议后续行动

• 联系作者要求提供原始数据
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 向作者所在机构（特别是 Harvard Medical School）学术委员会核实该作者身份

⚠️ 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。
（注：由于文本中未提供足够的图片信息，无法进行像素级的一图多用和PS拼接检测，以上结论基于文本、数据和逻辑维度的分析得出）