# 🔍 耿同学打假报告

## 论文信息
- 论文来源：Morphology-Guided_Muscle_Cell_Detection_amp_Counting_based_on_Transfer_Learning_FFD_Augmentation_and_Density-Aware_Loss_Optimization.pdf
- 标题：Morphology-Guided Muscle Cell Detection & Counting based on Transfer Learning, FFD Augmentation and Density-Aware Loss Optimization
- 作者：Hongbing Qian, Meiyun Zuo, Lixi Zhao
- 期刊：IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)
- DOI：10.1109/TCSVT.2026.3670914
- 发表年份：2026

## 综合评定：🟠 高度可疑

## 详细发现

### 发现 1：跨域迁移学习的反常理“神迹”
- **位置**：Section IV.E (Ablation studies, Table V) / Section I (Introduction)
- **描述**：论文声称将基于血液细胞（红细胞、白细胞等离散圆形或双凹圆盘状形态）训练好的预训练模型，迁移学习到大鼠肌肉细胞（H&E染色切片中紧密排列的多边形/长条形）的检测上。在消融实验中，仅仅使用了迁移学习（T），YOLO11模型的 mAP50 就从 0.470（Baseline）一举跃升至 0.803（+33.3%）。
- **证据**：在计算机视觉领域，跨域迁移学习（尤其是形态、纹理、分布天差地别的显微医学图像）通常只能带来几个百分点的微小提升，甚至可能出现负迁移。血液细胞与肌肉切片在视觉特征上几乎毫无共性，仅靠微调就把检测准确率翻倍提升至 0.8 以上，完全违背了深度学习特征提取的常理。且原文数据确实显示 mAP50 从 0.470 升至 0.803。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 2：极小样本量下的“完美”过拟合与超常性能
- **位置**：Section IV.A (Datasets and implementations) / Section IV.C (Table IV)
- **描述**：作者公布的自建肌肉细胞数据集仅有可怜的 28 张图像。在划分了 8 张作为测试集后，仅使用 20 张原图（加上 FFD 增强后的 20 张，共 40 张）进行训练。然而在 Table IV 中，作者提出的 YOLO11+TFD 模型在这 8 张测试图上跑出了 mAP50 高达 0.906，Precision 0.885，Recall 0.861 的“神仙数据”。
- **证据**：深度学习目标检测模型在仅有 20 张原图、且目标形态高度复杂、边缘高度重叠的医学切片任务中，几乎不可能仅靠几何插值增强（FFD）达到 90% 以上的检测精度。这种“小样本+超高精度”的组合，极度让人怀疑作者是否将测试集（8张图）在模型训练或调参过程中泄露，或者直接手工篡改了预测结果。原文数据印证了 28 张总图、8 张测试图以及 0.906 的 mAP50。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 3：表格数据提取异常与正文描述存在矛盾
- **位置**：Section IV.B (Density-aware loss Analysis, Table III)
- **描述**：正文中信誓旦旦地写道：“Cross-model trends confirm that density-aware loss can improve detection efficiency... substantial improvements were observed in all indicators”。但是在紧邻的 Table III（展示各指标提升幅度 ∆）的文本提取中，不仅各项指标的具体提升数值大面积缺失，且 Precision 下方明确列出了“-0.2%”和“-0.1%”。
- **证据**：Table III 中的负数指标直接打脸了正文所述的“各项指标均有显著提升”。虽然不排除是排版转换带来的乱码，但这反映出一篇即将在 2026 年定稿的高水平 IEEE 论文在数据校对上存在极大的疏漏，数据可能有后期强行拼凑填写的嫌疑。原文文本确实在此处呈现数据断层与负值异常。
- **严重程度**：🟠
- **复核状态**：✅ 成立

### ⚠️ 发现 4：图片信息不足，无法进行像素级造假检测
- **位置**：Figure 1 - Figure 7
- **描述**：鉴于本次分析仅能获取纯文本内容及部分表格数据，未能获取到论文图片的原始像素信息。
- **证据**：无法依据“耿同学六式”中的图片复用、PS 拼接痕迹等维度对 Figure 6 和 Figure 7（细胞密度图和预测框图）进行像素级鉴定。
- **严重程度**：🟡（信息缺失）
- **复核状态**：⚠️ 依据不足

## 耿同学辣评
让深度学习模型从看血细胞“跨界”去看挤成一团的肌肉切片，居然还能让它准确率飙升到 90% 以上？这就好比让一个只见过芝麻的人去数一堆挤在一起的面条，还声称自己看出了内在规律，简直不要太离谱！20张原图训出 0.9 的 mAP，这要么是模型自己成精了，要么就是数据“太完美”了，完美到连真实的生物学噪声都被消灭了。更别提正文和表格还出现了“显著提升，但精度反降”这种直接互扇巴掌的低级失误。

## 建议后续行动
- [x] 联系作者要求提供原始数据（特别是这8张测试集图片的具体标签与预测输出）
- [x] 在 PubPeer 上提出质疑
- [x] 向期刊编辑部举报
- [ ] 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。