🔍 耿同学打假报告

论文信息

• 论文来源：978-3-031-43904-9_48 (1).pdf
• 标题：Contrastive Masked Image-Text Modeling for Medical Visual Representation Learning
• 作者：Cheng Chen, Aoxiao Zhong, Dufan Wu, Jie Luo, Quanzheng Li
• 期刊/会议：MICCAI 2023 (Medical Image Computing and Computer Assisted Intervention)
• DOI：https://doi.org/10.1007/978-3-031-43904-9_48
• 发表年份：2023

综合评定：✅ 清白

详细发现

发现 1：文本与数据的一致性核查（数据造假与统计异常排除）

• 位置：Table 1 / Page 499
• 描述：论文在正文中声称其方法在 1% 标记数据下表现优异，如“outperforms the current best-performing method MRM by 1.0% on NIH ChestX-ray dataset and 1.5% on COVIDx dataset”，并称在 CheXpert 数据集上“fine-tuning on 1% labeled data already outperforms MRM model fine-tuned on 100% labeled data”。
• 证据：经过对 Table 1 中数据的逐一核对：
  1. NIH 数据集：本文 CMITM (1%) 为 80.4，MRM (1%) 为 79.4，差值恰好为 1.0%。
  2. COVIDx 数据集：本文 CMITM (1%) 为 79.5，MRM (1%) 为 78.0，差值恰好为 1.5%。
  3. CheXpert 数据集：本文 CMITM (1%) 为 89.0，MRM (100%) 为 88.7，确实存在 89.0 > 88.7 的关系。
     文本的文字描述与图表数据达到了严丝合缝的数学自洽，数据末位分布自然，没有出现违背常理的“完美整数”或“过度规整的方差”。
• 严重程度：🟢（数据自洽，未发现异常）
• 复核状态：✅ 成立

发现 2：时间线与引用合理性核查（引用与方法学异常排除）

• 位置：References / Page 500-503
• 描述：作为一篇发表于 2023 年的计算机视觉（医疗图像方向）顶会论文，本文引用了 MAE (CVPR 2022)、MRM (ICLR 2023)、MGCA (NeurIPS 2022) 等前沿工作。
• 证据：以当前日期（2026-06-21）回溯，所有被引用的会议和时间线（如 ICLR 2023 的 MRM 论文）在论文发表（2023年下半年）前均已在学术界公开或挂载于 arXiv。使用的硬件设备（Tesla V100）和网络架构（ViT-B/16, BERT）完全符合 2022-2023 年的计算资源水平与学术主流，不存在“使用未来设备”或“捏造不存在的模型”的科幻级造假。
• 严重程度：🟢（符合学术发展时间线）
• 复核状态：✅ 成立

发现 3：图片复用与 PS 痕迹检测受限说明

• 位置：Figure 1 / Figure 2 / Figure 3
• 描述：无法进行像素级与图层级的 PS 痕迹分析。
• 证据：提供的文本为纯文本提取格式（包含排版乱码，如 cffi、a v,i 等），未包含原始的图像文件。因此无法评估网络架构图是否抄袭、柱状图误差线是否有重合等图像类造假特征。
• 严重程度：⚪（无法判断，需原始 PDF 验证）
• 复核状态：✅ 成立

耿同学辣评

作为一篇搞深度学习的计算机顶会论文，这帮作者满脑子都是 Transformer、Masked Autoencoding 和对比学习，想抓他们数据造假的难度无异于在代码堆里找 bug——好在我拿着放大镜把他们的表格算了个底朝天，加减法严丝合缝，没给他们留下“随机数生成器”的操作空间。这篇论文不论是方法设计还是实验逻辑都很扎实，咱们学术打假决不冤枉一个好人，这篇必须放行！

建议后续行动

• 文本层面未发现明显异常，无需联系作者提供原始数据。
• 如有条件，可下载原始 PDF 文件，查看其 Figure 2 和 Figure 3 的折线图/柱状图是否存在视觉上的复制粘贴问题。

⚠️ 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。