🔍 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)
• 期刊：ACM Multimedia (MM '25) 投稿/未发表
• DOI：XXXXXXX.XXXXXXX
• 发表年份：2025 (Submission Id: 3264)

综合评定：🟠 高度可疑

详细发现

发现 1：核心结论与实验数据严重脱节（睁眼说瞎话）

• 位置：Section 5.1 (Linear Classification 结果分析) 与 Table 1
• 描述：作者在正文中信誓旦旦地写道：“Notably, models based on the reconstruction pre-training paradigm, such as MAE [11] and MRM, perform worse in linear classification tasks than those based on the alignment pre-training paradigm, like MGCA [34] and Med-Unic [33].”（值得注意的是，基于重建的模型在线性分类任务中表现不如基于对齐的模型）。
• 证据：翻开作者自己提供的 Table 1，在 ChestX-ray14 数据集中，基于重建的 MRM 模型 AUC 为 78.8 (1%), 82.7 (10%), 84.4 (100%)；而基于对齐的 MGCA 模型 AUC 仅为 78.7 (1%), 82.7 (10%), 84.1 (100%)。在 RSNA 数据集中，MRM (90.9, 92.3, 92.7) 更是全面碾压 MGCA (89.1, 89.9, 90.8)。作者为了强行突出对齐范式的缺陷，直接无视了自己的实验数据。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：主表与消融实验数据“精神分裂”

• 位置：Table 1 与 Table 4
• 描述：在 Table 1 (主表) 中，作者标榜自己的模型在 ChestX-ray14 1% 数据集上取得了 81.4% 的 AUC。但是在 Table 4 (消融实验) 中，同样是 1% 训练数据，使用了全部模块（PAR + DKBA）的模型，AUC 却突变成了 80.8%。
• 证据：Table 1 的 “Ours” (81.4) 与 Table 4 的满配模型 (80.8) 存在 0.6% 的绝对误差。作者为了在主表里压过 SOTA 一头，可能人工给主表“加了点buff”，结果在消融实验里忘了把谎圆上。这种主客表数据不能自洽是数据操纵的典型红旗。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 3：教科书级别的灾难级参考文献引用

• 位置：References 及全文多处引用
• 描述：论文的引用简直是“车祸现场”，存在大面积的张冠李戴和低级复制粘贴错误。
• 证据：
  1. 正文 Section 5.2 中，将 MGCA 错误引用为 [11]（原文：the reconstruction-based MRM [45] outperforms MGCA [11] and Med-Unic [33]），而 [11] 明明是 MAE (Kaiming He et al.)，MGCA 应该是 [34]。
  2. 正文 Section 2.1 中，将 Med-Unic 引用为 [23]（原文：MedUnic [23] integrates multimodal medical data），而 [23] 是 Bo Liu 等人的 SAT 论文，Med-Unic 实际上是 [33]。
  3. 参考文献 [10]：漏掉了真正的第一作者 Alexey Dosovitskiy 等前四位作者，且把 Xiaohua Zhai 错误截断拼写成了“aohua Zhai”。
  4. 参考文献 [36]：作者名字直接缺失，连首字母大写都没有（以小写 "deep convolutional..." 开头），漏掉了 "COVID-Net: a tailorable" 等标题前缀。
  5. 参考文献 [21]：“C Steven G Langer. 2019. PhD and M.George Shih, MD,“Siim-acr pneumothorax segmentation(2019).” —— 这甚至把作者的学术头衔（PhD and M.）当成了作者名字，极其荒谬。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 4：“不可能”的极低概率数据分布

• 位置：Table 1
• 描述：MRM 模型在 CheXpert 数据集上的表现存在反直觉的绝对相同。
• 证据：Table 1 显示，MRM 在 1% 和 10% 训练比例下，AUC 均为精准的 88.5。在深度学习实验中，数据量增加十倍（从 1% 到 10%），最后评估出的 AUC 竟然在小数点后一位完全不发生变化，这违背了随机种子和梯度下降的常理，高度怀疑是凑数或瞎编的数据。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 5：逻辑无法自洽的“缺检查点”借口

• 位置：Table 1 (脚注) 及对比数据
• 描述：作者在 Table 1 脚注解释 Med-UniC 的部分数据缺失时写道：“Due to the lack of Med-Unic official checkpoints, metrics on some datasets are excluded.”（由于缺乏官方检查点，省略了部分数据集的指标）。
• 证据：作者声称“缺乏模型”，但在表中的 RSNA 和 COVIDx 数据集中，Med-UniC 依然赫然列出了 1%、10%、100% 的全方位数据，仅仅是在 ChestX-ray14 部分画了横线（-）（注：CheXpert中CNN/ViT框架有部分数据）。如果作者跑不出数据是因为没有模型权重，那其他数据是怎么平白无故变出来的？要么数据是抄的/编的，要么这个借口是撒谎。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 6：无法进行图片操纵分析

• 位置：论文全部图片
• 描述：由于当前仅提供纯文本流，无法提取像素级信息。
• 证据：文本中未提供足够的图片信息，无法进行 Western blot、显微镜图等图像复用或 PS 痕迹的视觉分析。
• 严重程度：ℹ️ 信息缺失
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文简直是“AI生成器忘记审查就敢投顶会”的终极反面教材。先不说为了硬吹自己方法的优点，连自家跑出来的实验数据都能睁眼说瞎话；单说这参考文献的排版，竟然能把原作者的名字截断成“aohua”，甚至把学位头衔当成作者名，这用脚趾头排版都干不出这事儿啊！最搞笑的是，前脚刚说没拿到对比模型的 checkpoint，后脚就在别的数据集上把人家跑出来的成绩填得满满当当——咋地，这模型是薛定谔的 checkpoint 吗？需要它的时候就有，不需要的时候就缺失？

建议后续行动

• 联系作者要求提供原始数据（特别是主表与消融表对不上的那部分）。
• 在 PubPeer 上提出质疑（重点挂正文结论与数据相反、引用崩坏这两个点）。
• 强烈建议 ACM MM 2025 审稿人直接拒稿，质量把控何在？
• 向作者所在机构学术委员会举报（需等双盲解除后确认是否涉及学术道德问题）。

⚠️ 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。