🔍 耿同学打假报告

论文信息

标题：PromptMRG: Diagnosis-Driven Prompts for Medical Report Generation
作者：Haibo Jin, Haoxuan Che, Yi Lin, Hao Chen
期刊/会议：The Thirty-Eighth AAAI Conference on Artificial Intelligence (AAAI-24)
DOI：文本中未提供
发表年份：2024
论文来源：00975-AAAI24.JinH.pdf

综合评定：✅ 清白

详细发现

发现 1：无图片复用与拼接异常（第一式、第三式检测）

位置：Figure 1 - Figure 6
描述：文本提取显示，论文中的图表（框架图、柱状图、定性结果展示等）均有明确的独立作用。Figure 1 用于动机展示，Figure 2 为整体框架，Figure 3 为 LLM 提示词示例，Figure 4 为模块架构，Figure 5 为生成报告对比，Figure 6 为 F1 分数对比。
证据：原文文本与图注（caption）中明确描述了各图的功能，逻辑相互独立。未发现文本描述中存在不同实验条件下的图片视觉相似性冲突。由于仅凭文本无法进行像素级比对，但在逻辑和说明层面，未发现一图多用或恶意拼接的痕迹。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 2：实验数据合理且自洽（第二式、第四式检测）

位置：Table 1, Table 2, Table 3
描述：论文中的数值报告遵循了深度学习实验的常见规律，不存在统计学上的“过于完美”或造假特征。
证据：
1. 末位数字分布自然，包含 1, 2, 3, 4, 5, 6, 7, 8, 9，没有刻意凑整数的痕迹。
2. 消融实验（Table 2）中，模块的累加带来了合理的性能提升（如 F1 从 Baseline 的 0.370 逐步提升至 0.476），且某些模块（如 DDP）在提升 CE 指标（F1 从 0.370 提升至 0.444）的同时导致了 NLG 指标的轻微下降（BLEU-4 从 0.116 降至 0.106），这种 trade-off 现象是真实实验中最常出现的，造假者往往倾向于伪造“全面碾压”的数据。
3. 论文未进行大量 p 值报告，而是采用标准的深度学习评价指标（BLEU, F1等），不存在 p-hacking 异常。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 3：时间线与技术引用合理（第五式、第六式检测）

位置：Implementation Details (Page 2611) 及 Auxiliary Disease Labeling (Page 2610)
描述：论文所使用的工具、模型、硬件与投稿时间线完全吻合。
证据：
1. 原文明确提及使用了 Vicuna-13B (Zheng et al. 2023) 进行辅助疾病标签生成。Vicuna 模型发布于 2023 年，而 AAAI-24 的投稿和评审期在 2023 年下半年，时间逻辑成立。
2. 原文明确记载了硬件配置与训练时间：trained with one RTX 3090 GPU for about 24 hours（10 epochs，batch size 16，数据集 MIMIC 规模约 27 万）。基于 ResNet-101 和 Bert-base 的架构，单卡 3090 跑 24 小时是非常符合物理常识和工程经验的。
3. 代码框架明确引用 PyTorch 2.0，该版本于 2023 年初发布，时间线吻合。
严重程度：✅ 无异常
复核状态：✅ 成立

耿同学辣评

这论文写得相当扎实，简直是学术界的一股清流！特别是那个消融实验，加了个模块虽然核心指标（CE F1）涨了，但语言评价指标（NLG）反而掉了一点点，作者还特别诚实地在正文里解释了一通——这种敢写出“缺点”的论文，往往才是真做实验的论文。那些连批次、算力资源和训练时间都老老实实交代的，比满嘴跑火车、数据完美得像用随机数生成器造出来的“神刊”文章可信一万倍！

建议后续行动

无需联系作者要求提供原始数据
无需在 PubPeer 上提出质疑
无需向期刊/会议编辑部举报
无需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。

PromptMRG: Diagnosis-Driven Prompts for Medical Report Generation