🔍 耿同学打假报告

论文信息

标题：ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training
作者：Rongsheng Wang, Qingsong Yao, Zihang Jiang, Haoran Lai, Zhiyang He, Xiaodong Tao, S. Kevin Zhou
期刊：Medical Image Analysis (2025)
DOI：未在文本中明确提供
论文来源：2312.13316v4.pdf

综合评定：✅ 清白

详细发现

发现 1：图片复用检测（一图多用）

位置：Figure 1 - Figure 6
描述：提取并检查了论文中所有的框架图（Fig 1, 3, 4）、数据统计图（Fig 2）以及特征可视化图（Fig 5, Fig 6）。
证据：这是一篇纯粹的计算机科学与深度学习论文，文中不包含任何 Western blot、凝胶电泳、显微镜图或流式细胞图等传统生物医学“湿实验”图片。所有的图表均为矢量绘制的设计图或通过算法生成的 T-SNE 降维图、Attention Map，不存在像素级复用或 PS 拼接的痕迹。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 2：数据造假与统计学异常检测

位置：Table 4 - Table 11（各类下游任务评估指标与消融实验）
描述：审查了表中的 AUC、ACC、Dice、mAP 等核心指标，以及消融实验（Table 7, 8, 9）的数据升降逻辑。
证据：深度学习论文通常不报告带有标准差/标准误的重复实验数据，而是直接报告最优单次/平均指标。尽管如此，表格中的数据呈现出极其正常的机器学习特性：在 1%、10%、100% 的不同数据量下，性能指标的非线性爬升非常符合客观规律（如 Table 7 中 RSNA mAP 在 1% 到 10% 的暴涨，到 100% 时增益递减）；消融实验中各模块带来的提升（0.2%~5% 不等）符合当前该领域的真实技术水平，没有出现反常的“完美线性递增”或“违背逻辑的暴跌”。未见 p-hacking 或末位数字规律性分布的迹象。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 3：产出与时间线异常检测（耿同学重点关注项）

位置：文章头部日期信息、Section 4.4 (Implementation Details)、Section 3.1 (Context Distillation)
描述：论文的写作时间线、引用模型/技术的发布时间，以及宣称的硬件算力消耗是否存在“穿越”或不切实际的量产嫌疑。
证据：
1. 时间线完全闭环：论文当前版本日期为 2025 年 6 月 7 日，发表于 2025 年的 Medical Image Analysis。文中提到使用 GPT-3.5-turbo 和 Vicuna7B 进行上下文提取。这两个模型分别发布于 2022 年底和 2023 年初，与论文的研发和发表周期完全吻合，不存在“使用未来才发布的试剂/模型”的时间穿越问题。
2. 算力消耗真实：论文在 4.4 节明确报告“在 4 张 A100 GPU 上预训练 120 个 epoch，耗时约 20 小时”。对于处理 37 万张 MIMIC-CXR 图像对的 ViT-B/16 模型而言，这个训练时长在 4 卡 A100 上是非常符合物理常识的，没有吹嘘“用极低算力短时间训练超大规模模型”的幻觉。
严重程度：✅ 无异常
复核状态：✅ 成立

发现 4：方法学内部矛盾与逻辑自洽性

位置：Section 3.1 与 Section 3.2
描述：检查自定义的公式、超参数设定以及掩码策略在逻辑上是否能自洽。
证据：作者在公式 (3) 中设计了重平衡因子，为了解决文中提到的“阴性描述符与阳性描述符比例高达 20:1”的数据不平衡问题。根据这一前提，作者将 $\lambda_{neg}$ 设定为 0.05（即 1/20），在数学和逻辑上做到了完美闭环。脚注 2 中也诚实地交待了请医学生评估 ChatGPT 提取准确率（93.6%）的细节，没有刻意隐藏大模型的出错率。
严重程度：✅ 无异常
复核状态：✅ 成立

耿同学辣评

当我的“ Western blot 查重火眼金睛”遇到一篇纯正的计算机视觉（CV）算法论文时，我的第一反应是：拔剑四顾心茫然——这论文里连只小鼠都没有，全是一堆代码公式和矩阵！但即便换上“AI 打假”的透镜，这篇论文依然稳如老狗：时间线严丝合缝，算力消耗符合物理规律，消融实验的数据涨跌极其真实（甚至有些地方的涨幅还相当保守克制）。经过对原文数据的严格复核，这不仅是一篇清白的论文，而且逻辑闭环做得相当漂亮，建议某些天天拿同一张电泳图糊弄人的生化环材“量产大师”们好好学学什么叫真正的科研严谨性！

建议后续行动

无需采取行动。未发现任何学术不端迹象，无需联系作者或编辑部。
（可选）感兴趣的研究者可以访问其开源仓库 https://github.com/ToniChopp/ECAMP 复现实验结果。

⚠️ 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。

ECAMP: Entity-centered Context-aware Medical Vision Language Pre-training