🔍 耿同学打假报告

论文信息

论文来源：978-3-031-43904-9_48.pdf
标题：Contrastive Masked Image-Text Modeling for Medical Visual Representation Learning
作者：Cheng Chen, Aoxiao Zhong, Dufan Wu, Jie Luo, and Quanzheng Li
期刊/会议：MICCAI 2023 (LNCS 14224)
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：图片复用与拼接检测（第一式与第三式）

位置：Figure 1, Figure 2, Figure 3
描述：本论文为纯计算机科学与深度学习领域的文章，文中包含的图片为模型架构图（Fig. 1）和数据可视化图表（Fig. 2 柱状图，Fig. 3 折线图）。未包含传统生物医学论文中常见的 Western blot、凝胶电泳、显微镜图等易被 PS 或复用的湿实验图像。
证据：由于不涉及基于像素的生物学图像实验，未发现图片复用、翻转、裁剪或拼接痕迹。图表数据呈现方式符合常规机器学习论文规范。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 2：数据造假与统计学异常检测（第二式与第四式）

位置：Table 1, Table 2
描述：对核心实验结果进行交叉验证与逻辑核对。在 Table 1 中，作者声称在 CheXpert 数据集上，使用 1% 标签数据的 CMITM 模型（AUC: 89.0）超越了使用 100% 标签数据的 SOTA 模型 MRM（AUC: 88.7）。
证据：核实 Table 1 数据，CMITM 在 1% CheXpert 上的数据确实为 89.0，而 MRM 在 100% CheXpert 上的数据确实为 88.7。此外，各项提升指标（如 NIH 数据集上对比 MRM 提升 1.0%，COVIDx 提升 1.5%）与文本描述完全自洽。深度学习模型常见的 AUC 末位数字分布自然，不存在人工编造数据的“完美”特征。无传统意义上的 $$p$$ 值 p-hacking 现象（AI论文常以多次 epoch 的收敛均值或单一最佳 seed 报告，符合规范）。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 3：时间线与方法学合理性检测（第五式与第六式）

位置：References & Method Section
描述：论文发表于 2023 年，方法部分引用了截止到 2023 年初的最新工作（如 ICLR 2023 的 MRM 模型 [28]，NeurIPS 2022 的 MGCA [22]）。作者声明使用了 4 块 Tesla V100 GPU 进行预训练。
证据：基于当前日期回溯，2023 年使用 4 张 V100 训练 ViT-B/16 及 BERT 的多模态模型，算力配置和时间线完全合理。引用的 MIMIC-CXR、CheXpert 等公开数据集均为医疗 AI 领域的标准基准。方法学描述（级联训练策略、掩码比例设定）具备严谨的深度学习理论支撑。
严重程度：✅ 无异常
复核状态：✅ 成立

耿同学辣评

耿同学的“六式打假拳”打在深度学习的代码纸上，就像一拳打在了棉花上——根本没有传统生医 Journal 里那些花里胡哨的 PS 痕迹和乱造的小白鼠数据！这篇论文逻辑自洽、图表干净，改进点说得很明白，是一篇正儿八经靠算力（4张V100）和写代码硬刚出来的扎实工作。科研界要是都卷成这种“用代码说话”的样子，耿同学可能就要失业了！

建议后续行动

无需联系作者要求提供原始数据（论文已开源代码：https://github.com/cchen-cc/CMITM）
无需在 PubPeer 上提出质疑
无需向期刊编辑部举报
（可选）感兴趣的同仁可以直接去其 GitHub 仓库复现实验结果

⚠️ 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。

Contrastive Masked Image-Text Modeling for Medical Visual Representation Learning