🔍 耿同学打假报告

论文信息

标题：Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for Che-Xray Vision-Language Pre-training
作者：Lihong Qiao, Shiyi Gao, Yucheng Shu, Bin Xiao, Weisheng Li, Xinbo Gao
期刊/会议：Proceedings of the 33rd ACM International Conference on Multimedia (MM '25)
DOI：https://doi.org/10.1145/3746027.3755336
发表年份：2025 (会议时间为 2025年10月)
论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).pdf

综合评定：🟡 存疑

详细发现

发现 1：统计学异常检测（缺失的误差与“薛定谔的显著性”）

位置：Table 1, Table 2, Table 3 以及 Section 5.1, 5.2
描述：这是典型计算机视觉“刷榜”论文的通病。作者在正文中多次声称其方法取得了“significant improvements（显著的改进）”，例如在 COVIDx 数据集 100% 训练数据下的准确率达到了 96.0%（如表1所示）。然而，全篇所有的实验表格中没有任何一处提供了标准差、标准误或显著性检验（如 p 值、t 检验）。
证据：真实的三次独立重复实验必然带来方差波动。在深度学习中，1% 左右的性能差异（如 RSNA 数据集 mAP 从 MRM 的 78.2 提升到 Ours 的 79.3）往往在随机种子的波动范围之内。没有统计检验支持的“显著提升”，在严格的学术审稿下属于过度声称。
严重程度：🟡
复核状态：✅ 成立

发现 2：引用与方法学异常（公式变量精分与算力罗生门）

位置：Section 3.1 (公式 1, 2, 3) & Section 4.3 (Implementation Details)
描述：在病理感知先验生成模块中，作者存在符号使用前后不一致的低级失误。公式 (1) 定义的变量是 $\mathbf{M}_{\mathcal{V}}$ ，公式 (2) 归一化的依然是 $\mathbf{M}_{\mathcal{V}}$ ，但紧接着在下文计算重建 Loss 时（公式 3），变量突然凭空变成了 $\mathbf{P}_{\mathcal{V}}$ 。此外，在算力描述上，作者声称在包含 37 万多张图像和 22 万多份报告的 MIMIC-CXR 数据集上，使用两块消费级显卡（2× NVIDIA RTX 4090）完成了 ViT-B/16（200个 epoch）外加多模态 BERT 以及 GAT 图注意力网络的级联预训练。
证据：两块 RTX 4090（单卡 24G 显存）要塞下高分辨率（448x448）和低分辨率（224x224）双路径的 ViT 以及多模态编码器进行 37 万级大数据的预训练，除非使用了极度极端的梯度累加或未提及的分布式计算，否则很难支撑起足以让模型收敛的 Batch Size。结合公式变量的笔误，暴露出该论文在写作严谨性和方法复现细节上存在疏漏。
严重程度：🟡
复核状态：✅ 成立

发现 3：数据伦理规范异常（缺失伦理声明）

位置：Section 4.1 Datasets
描述：论文使用了 MIMIC-CXR、CheXpert、RSNA 等多个真实的临床医疗数据集。然而，全文没有出现任何关于伦理审批（IRB）或患者数据去标识化、数据使用协议（DUA，如 PhysioNet Credentialed Access）的声明。
证据：MIMIC-CXR 等数据集虽然公开，但严格受HIPAA和物理网合规性限制。跨学科（计算机+医学）论文在 ACM 这样的顶会发表，通常要求强制声明数据使用的合规性。缺失该声明是方法论环节的重大遗漏。
严重程度：🟠
复核状态：✅ 成立

耿同学辣评

连个误差棒和 p 值都没有，就敢满篇高呼“显著提升”，自己拿随机种子跑两次都不一定复现得了这 1% 的差距！公式里的 $$M$$ 和 $$P$$ 傻傻分不清，两块 4090 扛着 37 万张高清多模态大图硬跑，不知道是算法太牛还是老黄的显卡被超频冒烟了。做医疗 AI 连个数据伦理合规声明都不写，难不成这些胸片是拿 AI 生成的？

建议后续行动

联系作者要求提供包含多种子的标准差数据及统计显著性分析。
在 PubPeer 上提出质疑，询问其双卡 RTX 4090 训练 MIMIC-CXR 预训练模型的具体 Batch Size 设置与显存优化方案。
检查代码库（https://github.com/Felix1118/PADKB）是否开源了完整的预训练复现脚本，以验证其算力时间线是否合理。
向期刊/会议编辑部建议要求作者补充临床数据使用的伦理合规声明（IRB Statement / DUA）。

⚠️ 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。

Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for Che-Xray Vision-Language Pre-training