🔍 耿同学打假报告

论文信息

标题：Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for CheXray Vision-Language Pre-training
作者：Anonymous Author(s) (Submission Id: 3264)
期刊/会议：MM '25 (ACM Multimedia 2025)
DOI：https://doi.org/XXXXXXX.XXXXXXX
发表年份：2025

综合评定：🟠 高度可疑

详细发现

发现 1：核心数据自相矛盾（疯狂打脸的表格）

位置：Table 1 vs Table 4
描述：作者在 Table 1 中声称自己的模型在 ChestX-ray14 数据集（使用1%数据）上达到了 81.4% 的 AUC。然而，在 Table 4 的消融实验中（原文第 5.3.1 节明确标注了同样使用 1% 训练数据），完整模型（同时勾选 PAR 和 DKBA）的成绩竟然只有 80.8%！
证据：同一篇论文，同一个数据集，同样的训练数据比例，主表（81.4%）和消融实验表（80.8%）的核心数据对不上，差了 0.6%。这说明作者在编造数据时，连自己主表里编的数字都忘了填进消融实验表里。
严重程度：🔴
复核状态：✅ 成立

发现 2：消融实验反逻辑（加码反而掉分）

位置：Table 4
描述：Table 4 的消融实验逻辑令人拍案叫绝。在 ChestX-ray14 数据集上，单独使用 DKBA 模块的成绩是 81.0%，但是当把作者吹上天的 PAR 模块加上去后（即完整模型 PAR + DKBA），成绩不升反降，掉到了 80.8%！
证据：作者在正文（5.3.1节）大言不惭地声称两个模块是“互补的收益”，但自己的表格却狠狠打脸，证明加上 PAR 模块不仅没用，反而拖了后腿。典型的“为了凑创新点强行拼凑模块”。
严重程度：🔴
复核状态：✅ 成立

发现 3：参考文献张冠李戴与残缺（假得太明显）

位置：References [10], [21], [36]
描述：参考文献列表存在极其明显的复制粘贴错误和残缺。
证据：
1. 参考文献 [10] 是著名的 ViT 论文，原作者为 Alexey Dosovitskiy 等人，但在本文的引用作者列表中赫然变成了“aohua Zhai”（极大概率是 Xiaohua Zhai，且漏掉了第一作者）。
2. 参考文献 [36] 直接缺失了第一作者，开头就是“deep convolutional neural network design...”。
3. 参考文献 [21] 的作者名被极其诡异地拼接成了“C Steven G Langer. 2019. PhD and M.George Shih, MD...”，这明显是直接从网页复制时把作者的学位和头衔给带进去了，连看都没看就提交了。
严重程度：🟠
复核状态：✅ 成立

⚠️ 发现 4：算力与时间线的“画大饼”

位置：Section 4.3 Implementation Details
描述：作者声称在 MIMIC-CXR（包含超过37万张图像和报告的超大型数据集）上进行预训练，第一阶段跑了 200 个 epoch，第二阶段跑了 15 个 epoch，视觉编码器是庞大的 ViT-B/16。而使用的硬件仅仅是“两张 NVIDIA RTX 4090 显卡”。
证据：对于 37 万级的大型医学图像-文本对，使用 ViT-B/16 进行 200 个 epoch 的 Masked Autoencoder 重建训练，两张消费级显卡（RTX 4090）在合理的时间内是极难完成的，通常需要多卡服务器集群（如 8x A100）。作者很可能是随便填了个常见的显卡型号，缺乏对实际计算可行性的考量。
严重程度：🟡
复核状态：⚠️ 依据不足

耿同学辣评

这篇论文属于典型的“掩耳盗铃”式写作。前面包装了一堆高大上的模块（PAR、DKBA），画了精美的架构图，但在最核心的数据表格里却露出了马脚——主表成绩 81.4，消融表成绩 80.8；单模块 81.0，双模块合体反而掉到 80.8。作者怕不是拿随机数生成器敲数据的时候，忘了拿计算器同步一下？连参考文献都能把别人的学位给写进去，这波啊，这波是“只要我不尴尬，尴尬的就是审稿人”。

建议后续行动

联系作者要求提供原始数据（看看他们怎么圆 81.4 和 80.8 的差值）
在 PubPeer 上提出质疑
向期刊/会议编辑部举报（要求核实核心实验数据的真实性）
向作者所在机构学术委员会举报（目前为匿名投稿，暂无法确认机构）

⚠️ 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。

Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for CheXray Vision-Language Pre-training