🔍 耿同学打假报告

论文信息

• 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 (LNCS 14224)
• DOI：10.1007/978-3-031-43904-9_48
• 发表年份：2023
• 论文来源：978-3-031-43904-9_48 (1).pdf

综合评定：✅ 清白

详细发现

发现 1：方法学与引用逻辑审查（无异常）

• 位置：Introduction & References
• 描述：文中引用了大量的前沿深度学习模型（如 MAE [8], MRM [28], MGCA [22] 等），并在此基础上提出了自己的 CMITM 框架。
• 证据：经过时间线核对，文中引用的文献（如 ICLR 2023 的 MRM）在 MICCAI 2023 投稿及开会时均已公开，时间逻辑完全自洽。方法学描述清晰，明确指出了哪些组件（如 ViT-B/16, BERT）是沿用前人工作，哪些是本文创新（级联训练策略、表征解码器）。
• 严重程度：🟢 无异常
• 复核状态：✅ 成立

发现 2：实验数据一致性审查（轻微巧合，但不构成造假）

• 位置：Table 1 (Page 499)
• 描述：在 CheXpert 数据集的实验结果中，CMITM (ours) 在 1% 和 10% 标签下的 AUC 均为 89.0。
• 证据：虽然同一模型在不同比例训练集下出现完全相同的指标在视觉上略显巧合，但在分类阈值或收敛瓶颈的限制下，小数点后一位的偶合在深度学习实验中非常常见。且该数据符合整体递增的逻辑趋势（1%, 10%, 100% 对应 89.0, 89.0, 89.2）。未发现末位数字规律性编造的痕迹。
• 严重程度：🟢 无异常（属合理范围内的巧合）
• 复核状态：✅ 成立

发现 3：图片与实验结果审查（文本受限，逻辑自洽）

• 位置：Figures 1-3 & Tables 1-2
• 描述：论文涉及的图片均以文本描述形式提供（架构图、柱状图、折线图）。
• 证据：虽然文本中未提供足够的图片像素信息，无法进行像素级分析（无法检测PS痕迹或一图多用），但从图表描述和表格数据来看，消融实验（Table 2）的各组分差值（如去掉级联训练下降明显）符合深度学习的常规认知，没有出现“反向消融”或“过于完美”的造假曲线。代码声明开源（GitHub），增加了结果的可复现性。
• 严重程度：🟢 逻辑自洽
• 复核状态：✅ 成立

耿同学辣评

这是一篇非常“老实本分”的计算机顶会论文。作者不仅大方承认了直接用了别人的损失函数和网络骨架，还老老实实交代了不加级联训练模型就会拉胯（消融实验做得很扎实）。唯一能挑的骨头也就是没报告方差（不过这在纯计算机坑里算是祖传常规操作了）。整体看来，缝合技巧熟练，态度端正，是个合格的“调包侠”，没发现学术不端的“猫腻”。

建议后续行动

• 无需采取进一步行动。论文逻辑清晰，数据合理，符合学术规范。
• 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
• 向作者所在机构学术委员会举报

⚠️ 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。