🔍 耿同学打假报告

论文信息

• 标题：MedIM: Boost Medical Image Representation via Radiology Report-Guided Masking
• 作者：Yutong Xie, Lin Gu, Tatsuya Harada, Jianpeng Zhang, Yong Xia, and Qi Wu
• 期刊/会议：MICCAI 2023 (LNCS 14220, pp. 13–23)
• DOI：10.1007/978-3-031-43907-0_2
• 发表年份：2023
• 论文来源：978-3-031-43907-0_2 (1).pdf

综合评定：✅ 清白

详细发现

发现 1：文本限制无法进行像素级图片复用与拼接检测

• 位置：Figure 1, Figure 2, Figure 3
• 描述：由于本次检测仅接收到论文的纯文本提取内容（未包含原始高清图像文件），无法执行第一式（图片复用）和第三式（图片拼接/PS痕迹）的视觉特征比对。
• 证据：文本中未提供足够的图片像素信息，仅有图片标题/图注描述（如 "Fig. 1. Illustration of our MedIM framework..."），无法进行视觉层面的分析。
• 严重程度：🟡（信息缺失，非论文问题）
• 复核状态：✅ 成立

发现 2：实验数据呈现正常的"非完美"波动特征

• 位置：Table 1, Table 2, Table 3
• 描述：该论文属于计算机视觉/深度学习领域的算法实证类论文。其报告的数据（如 CheXpert 数据集上的 mAUC 指标 88.91, 89.25, 89.65）没有出现末位数字过于规律的问题。深度学习实验由于随机种子、Batch划分等原因，不同比例下的性能提升呈现非线性的正常波动（例如 SIIM 数据集在 10% 和 100% 标注率下分别为 63.50 和 81.32），不存在伪造表格数据的常见特征。
• 证据：原文 Table 1 中明确列出 CheXpert 的 MedIM 结果为 88.91 (1%), 89.25 (10%), 89.65 (100%)，SIIM 结果为 63.50 (10%), 81.32 (100%)。对比方法（如 MGCA* 的 88.11, 88.29, 88.88 等）的数据分布符合常规深度学习实验的合理波动，没有出现违背常理的精确超越。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 3：研究方法学与引用逻辑完全自洽

• 位置：Experiments and Results (第3节) / References
• 描述：使用的数据集（MIMIC-CXR-JPG、CheXpert、COVIDx、SIIM-ACR）均为业界公认的公开医学图像数据集。使用的预训练模型（ViT, BioClinicalBERT）和对比方法（MAE, GLoRIA, MGCA）均与当前（2023年及以前）的学术时间线吻合。此外，论文提供了开源代码链接，这极大地降低了数据造假的风险。
• 证据：原文第 3.1 节明确指出来自 MIMIC-CXR-JPG [12], CheXpert [10], COVIDx [18], SIIM-ACR [1] 数据集；第 2.1 节明确指出使用 ViT [7] 和 BioClinicalBERT [2]；摘要和第 2 节标明了代码开源链接 https://github.com/YtongXie/MedIM。统计指标（mAUC, Dice, R@k）使用准确且符合领域规范。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

耿同学辣评

这篇搞计算机视觉和医学图像交叉领域的文章，一不整 Western Blot 跑胶，二不编造小白鼠解剖数据。原文中列出的数据集、对比基线模型、评估指标全都是业内开源公开的，代码还大摇大摆挂在 GitHub 上，这造起假来成本比生物医学那帮人高太多了！整体逻辑丝滑，Table 1 到 Table 3 的数据完全符合深度学习的玄学波动，耿同学翻烂了文本也没找到雷点，属于是经得起阳光下暴晒的“清白之躯”了。

建议后续行动

• 无需联系作者要求提供原始数据（文本未发现明显异常）
• 无需在 PubPeer 上提出质疑
• 无需向期刊编辑部举报
• (若未来获取到论文高清原图，可补充进行图像拼接与复用检测)

⚠️ 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。