🔍 耿同学打假报告

论文信息

• 标题：FICMD-Med: A Novel Framework for Imbalanced Class and Modality Distributions of Medical Images
• 作者：Meiyun Zuo, Shao Chen, Xinyu Jiang
• 期刊：未明确标明（从文本排版和内容推测为计算机/医学图像交叉领域会议或预印本）
• DOI：未提供
• 发表年份：2025 / 2026（依据当前日期及参考文献中存在2025年的引用）
• 论文来源：FICMD-Med Detailed Version.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：统计学异常检测（缺失的标准差与“薛定谔的实验”）

• 位置：IV.A.4 Experiment Setting / Table I / Table II / Table III
• 描述：论文在实验设置部分白纸黑字地写道：“For the proposed framework, we conduct three individual runs with different seeds and report the mean and standard deviation of the results to account for randomness.”（为了考虑随机性，我们使用不同的随机种子进行了三次独立实验，并报告了结果的均值和标准差）。然而，纵观 Table I、Table II 和 Table III 中作者自己方法（Ours / FICMD-Med）的数据，全部是单一的绝对值（如 83.04, 95.35, 93.69），没有任何一个数据带有 ± 标准差。
• 证据：方法描述与数据呈现存在不可调和的矛盾。如果是真实跑了三次实验，计算出的均值和标准差不可能凭空消失。这种只提供极其干净的单一数值的做法，违背了实验可重复性的基本要求，高度怀疑是直接编造了最终结果，或者根本没跑完三次实验。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：方法学异常检测（深度学习基础概念的混乱）

• 位置：IV.C. Sensitivity Analysis & III.E. Loss Function (Eq. 14)
• 描述：在敏感性分析部分，作者写道：“Overall, λ1 and Lcon in Eq.(14) are relatively more sensitive... The optimal value for Lcon is 0.3... variations in Lrec ... have less pronounced effects...” 作者明确将 Lcon（对比损失项）和 Lrec（一致性正则化项）作为超参数进行调参分析。
• 证据：查看作者给出的公式 (14)：Ltotal = λcon * Lcon + λ1 * Ly1 + (1-λ1) * Ly2 + λrec * Lrec。在任何一个具有基本深度学习常识的学者看来，λcon 和 λrec 才是调节损失项权重的超参数，而 Lcon 和 Lrec 是根据模型预测结果计算出来的损失值！损失函数的值是模型前向传播和反向传播的产物，怎么可能由人类手动“设定为 0.3”来测试模型性能？这说明作者极度缺乏代码实现的基本逻辑，或者整篇论文的公式和文字是由大语言模型（LLM）幻觉拼接而成，根本没有经过严谨的审阅。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 3：数据造假检测（“Ctrl+C”式的实验数据）

• 位置：Table I (Comparative performance) vs Table III (Ablation study)
• 描述：在对比实验（表 I）和消融实验（表 III）中，完整模型 FICMD-Med 的所有指标不仅完全一致，而且连小数点后的排列都严丝合缝。
• 证据：表 I 中的 Ours 准确率为 83.04，表 III 中 FICMD-Med 同样是 83.04；表 I 中的 Macro-R 为 73.11，表 III 同样是 73.11。虽然从逻辑上讲，同一个模型在同一个测试集上的结果理应相同，但在真实的多次独立实验（如发现1中提到的三次实验）中，如果没有固定死测试集的随机种子，完全复现一模一样精确到小数点后两位的概率极低。这进一步印证了数据可能是手工填写或编造的。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 4：产出异常与数据来源检测（违背常理的数据集规模）

• 位置：IV.A.1 Datasets (ADNI)
• 描述：论文宣称从 ADNI（阿尔茨海默病神经影像学计划）中提取了一个包含 88,508 个样本 的子集。
• 证据：论文文本确实提及了“containing 88,508 samples”。然而，要判定其违背常理或数据造假，需要依赖关于 ADNI 真实数据规模的“外部领域知识”。仅凭论文文本本身，无法直接证实或证伪该具体样本量是否完全脱离了实际合理范围，也无法证明作者是否使用了某种未说明的特殊切片手段。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

⚠️ 发现 5：图片复用与拼接检测（无法验证）

• 位置：Figure 1 / Figure 2 / Figure 3
• 描述：由于当前仅有纯文本信息，文本中未提供足够的图片像素信息，无法进行耿同学经典的“Western blot 拼接、PS 痕迹、克隆印章工具”等像素级分析。
• 证据：依据不足，无法判断。
• 严重程度：无
• 复核状态：⚠️ 依据不足

耿同学辣评

同学们，这篇论文可以说是“AI味儿”冲出了屏幕！作者在实验设置里信誓旦旦地说“我跑了三次实验并报告了标准差”，结果表格里干干净净、一个标准差都没有；更离谱的是，作者竟然把深度学习里算出来的“Loss值（Lcon）”当成了可以手动调节的“超参数（λ）”！这就好比你跟别人吹牛说你炒菜放了一勺盐，结果端上来一锅生盐巴——连盐和菜都分不清，你确定这锅菜是你亲手炒的吗？建议作者先去补一下《深度学习入门》，再回来跟我们谈“Pareto最优”和“多目标优化”吧！

建议后续行动

• 联系作者要求提供原始数据（尤其是那3次独立实验的日志和标准差）
• 在 PubPeer 上提出质疑
• 向期刊/会议编辑部举报（要求核实其实验代码 GitHub: https://github.com/Atlantis-esh/FICMD 是否真实存在且能复现）
• 向作者所在机构学术委员会举报（暂缓，需等待代码和原始数据核查结果）

⚠️ 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。