🔍 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：MICCAI 2023 (LNCS 14220)
• DOI：https://doi.org/10.1007/978-3-031-43907-0_2
• 发表年份：2023

综合评定：✅ 清白

详细发现

发现 1：文本提取限制无法进行图像像素级分析

• 位置：Figure 1, Figure 2, Figure 3
• 描述：本文为纯文本提取格式，未包含原始的图像文件，无法检测 Western Blot、凝胶电泳或显微镜图的“一图多用”及“PS拼接”痕迹（第一式与第三式受限）。原文中存在对 Fig.1、Fig.2 和 Fig.3 的相关描述与引用。
• 证据：人工智能视觉模型需要原始像素数据才能进行噪点比对和边缘检测，纯文本无法完成此维度审查。
• 严重程度：🟡（信息缺失，非文章问题）
• 复核状态：✅ 成立

发现 2：消融实验与主实验数据高度自洽（无数据造假特征）

• 位置：Table 1 与 Table 3 (Ablation study)
• 描述：耿同学特意拿着放大镜交叉对比了主实验和消融实验的数据。发现 Table 3 消融实验中最后一行（即完整模型 MedIM，同时包含 L_align、KWM 和 SDM）在 CheXpert、COVIDx 和 SIIM 数据集上的性能（89.25, 90.34, 63.50），与 Table 1 中使用 10% 标注数据下的性能完全一致！
• 证据：这种严谨的对应关系不仅符合逻辑，而且排除了“随机数生成器”胡编乱造的嫌疑。造假者往往在主表和消融表中为了拔高数据而产生数学冲突，但该文的数据逻辑严丝合缝。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 3：数据末位分布与方差符合真实实验特征

• 位置：Table 1 与 Table 2
• 描述：表格中报告的 AUC、Accuracy 和 Recall 指标（如 88.91, 77.22, 5.74 等）末位数字分布自然，没有出现整齐划一的整数或呈现明显的数学递增/递减规律。
• 证据：在深度学习特别是医学图像分析中，由于训练的随机性（如随机种子、Dropout等），跑出的指标通常会带有自然的“毛刺”。该文的数据波动（如 CheXpert 中从 1% 到 100% 数据的指标变化）符合真实的模型训练曲线特征，没有展现出过于完美的平滑过渡。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 4：时间线与引用完全合理

• 位置：Experiments and Results (3.1) / References
• 描述：论文发表于 2023 年，使用的预训练数据集（MIMIC-CXR-JPG 2019）、下游任务数据集（CheXpert 2019, COVIDx 2020, SIIM-ACR 2019）以及对标的基线模型（MAE 2022, MGCA 2022, MRM 2023）均在论文发表前就已经开源或发表。
• 证据：没有出现“穿越时空”使用尚未发布的试剂或算法的科幻场景。同时，作者大方地开源了代码，对于代码链接的自信提供是判断计算机领域论文可信度的重要加分项。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

耿同学辣评

这篇论文就像一个三好学生的作业，实验设计规规矩矩，主表和消融表的数据对得上号，连代码都敢大大方方挂在 GitHub 上。在计算机视觉和医学图像交叉领域，这种有理有据、不搞“穿越发明”的文章，本专家实在挑不出什么刺儿来。给它发个小红花吧！

建议后续行动

• （无需采取进一步行动）
• 联系作者要求提供原始数据
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报

⚠️ 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。