🔍 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, Qi Wu
• 期刊/会议：MICCAI 2023 (LNCS 14220)
• DOI：10.1007/978-3-031-43907-0_2
• 发表年份：2023

综合评定：🔴 实锤

详细发现

发现 1：核心方法公式与文本描述南辕北辙（数学自相矛盾）

• 位置：Section 2.2 (Report-Guided Mask Generation) / 公式 (3) 及其前置定义
• 描述：论文的核心卖点是“高响应掩盖”，即把图像中最关键的病灶区域找出来并掩盖掉，强迫模型去重建它，从而学习到具有鉴别力的特征。文本明确写道：“selectively mask then restore the high-activated regions”以及“The high-activated masking is presented to remove the discovered attention regions”。
  但是，我们来看看作者给出的数学公式：
  作者定义二值掩码 \(m_{(i,j)} = \mathcal{I}(C^{MeSH}_{(i,j)} \ge C^{MeSH}_{[\gamma*N_{img}]})\)。这意味着当激活值大于阈值时，指示函数 \(\mathcal{I}\) 返回 1。
  接着看掩码计算公式：\(M = \{ z_{(i,j)} | m_{(i,j)} \cdot R(E_{img})_{(i,j)} + (1-m_{(i,j)}) \cdot [MASK] \}\)
  做个简单的小学代数：如果该区域是“高激活”的，\(m=1\)，那么代入公式得到 \(1 \cdot R(E_{img}) + 0 \cdot [MASK] = R(E_{img})\)（即保留原图特征，不掩盖）；如果该区域是“低激活”的，\(m=0\)，代入公式得到 \(0 \cdot R(E_{img}) + 1 \cdot [MASK] = [MASK]\)（即替换为 MASK，进行掩盖）。
• 证据：公式 (3) 的代数逻辑完美地实现了“保留高激活区域，掩盖低激活区域”。这与论文高声宣扬的“掩盖高激活区域”的核心贡献完全相反。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：消融实验直接打脸核心公式（逻辑与结果冲突）

• 位置：Section 3.3 (Masking Strategies) / Figure 3 (Left)
• 描述：在消融实验中，作者为了证明自己方法的优越性，将 “High-activated masking” 与 “Low-activated masking” 进行了对比，并在文中得出结论：“our High-activated masking performs better than the Random and Low-activated masking”。
• 证据：结合【发现 1】中的公式漏洞，如果作者代码真的严格按照公式 (3) 编写，那么他们口中跑出好结果的 “High-activated masking” 实际上跑的是低激活掩盖。这说明作者根本没搞懂自己在干什么，或者代码与公式完全脱节，随便拿个跑分高的结果拼凑上来。
• 严重程度：🔴
• 复核状态：✅ 成立

耿同学辣评

这篇论文属实是“掩耳盗铃”的教科书级表演！嘴上喊着自己提出了“高响应掩盖”的高级策略，要逼模型去重建最难、最重要的病灶区域；结果手底下一堆公式直接暴露了真实操作——“把简单的背景挡住，把病灶原封不动留着”。合着你的模型根本没瞎猜，就在那儿抄近道是吧？拿着一个跑分好看但逻辑完全相反的公式就敢发顶会，把审稿人和读者的智商按在地上摩擦，真是连随机数生成器看了都得摇头。

建议后续行动

• 联系作者要求提供原始代码及训练日志（由于论文提供了 GitHub 链接，建议直接复查其 mask 生成部分的源码）
• 在 PubPeer 上提出质疑
• 向期刊/会议编辑部举报（要求对核心公式错误发布 Erratum 勘误，或因核心方法描述不实撤稿）
• 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。