🔍 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（接收日期：2024年8月15日）

综合评定：🟠 高度可疑

详细发现

发现 1：违背常理的基线退化现象（数据选择性报告或异常）

• 位置：Table 4 (Page 4), Fine-tuning detection 部分
• 描述：在使用 RSNA 数据集进行目标检测微调时，使用 ImageNet 预训练的 ResNet 基线模型，在标注数据比例从 10% 增加到 100% 时，其 mAP（平均精度均值）不仅没有提升，反而从 12.4 暴跌至 8.0。
• 证据：原文 Table 4 中明确列出 ImageNet 基线在 10% 标注时 mAP 为 12.4，而在 100% 标注时 mAP 仅为 8.0。在深度学习医学图像任务中，增加 10 倍的标注数据导致性能近乎腰斩是极度反常理的。这种荒谬的退化现象暴露出实验可能存在问题，但作者在正文中对此只字未提。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：违背常理的性能飞跃（数据过于完美）

• 位置：Table 3 (Page 4), Fine-tuning segmentation 部分
• 描述：在 COVID Rural 数据集的分割任务上，MaCo 的 Dice 分数相比当时的最先进方法（MedKLIP）实现了极其夸张的提升。在 10% 和 100% 的标注比例下，MaCo 分别比 MedKLIP 高出了惊人的 32.9% 和 31.1%。
• 证据：原文 Table 3 数据显示，MedKLIP 在 COVID Rural 数据集 10% 和 100% 比例下的 Dice 分数分别为 35.4 和 44.0，而 MaCo 的分数高达 68.3 和 75.1。对于仅有 200 多张图像的小规模数据集，这种动辄 30% 的整体飞跃完全不符合深度学习同一架构（ViT）下预训练模型的常规演化规律，高度怀疑人为调整了对比方法的实现或挑选了极端幸运的种子。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 3：密集的未发表会议自引（量产型学术）

• 位置：References 部分 (Ref 8, 10, 13)
• 描述：参考文献中密集出现了多位共同作者（如 Huang, W., Liu, J., Yang, H.）在 2024 年 IEEE ISBI 会议上发表的文献，且这些文献的主题与本文高度重合。
• 证据：原文引用列表中确实包含 Ref 8 (Liu et al., ISBI 2024)、Ref 10 (Yang et al., ISBI 2024) 和 Ref 13 (Huang et al., ISBI 2024)。在修回阶段密集塞入自己尚未正式见刊（或刚刚见刊）的会议论文，且这些文献并未对本文方法提供实质性的底层技术支持，存在垫高引用率的嫌疑。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

好家伙，别人做实验是摸着石头过河，这位作者是摸着“反向修炼”秘籍过河啊！Table 4 里的 ImageNet 基线模型，用 10% 数据训练 mAP 还有 12.4，数据量翻十倍给到 100%，性能直接跌到 8.0。合着你们这模型是越教越笨呗？多喂点数据它反而消化不良了？牛顿看了得气得从棺材里跳出来给你们上一课！更别提在区区 200 张图的 COVID Rural 数据集上，Dice 分数硬生生比当前 SOTA 拔高了 30% 多，这种“外星人级别”的提升，不知道的以为深度学习的次元壁被你们一脚踹碎了。为了凑引用率还在参考文献里一通狂塞自己的 ISBI 投稿，吃相属实有点难看啊！

建议后续行动

• 要求作者解释 Table 4 中 ImageNet 基线模型在数据量增加 10 倍后性能遭遇断崖式下跌的科学依据及原始训练日志。
• 要求作者公开在 COVID Rural 数据集上进行对比实验时，所有基线模型（尤其是 MedKLIP）的微调超参数与随机种子设置，以验证 30% 性能飞跃的合理性。
• 在 PubPeer 上提出针对上述异常数据的质疑。
• 若作者无法提供合理解释，向期刊编辑部举报其涉嫌伪造或刻意扭曲对比数据。

⚠️ 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。