# 🔍 耿同学打假报告

## 论文信息
- 标题：An MRI–pathology foundation model for noninvasive diagnosis and grading of prostate cancer
- 作者：Lizhi Shao, Chao Liang, Ye Yan, Haibin Zhu, 等
- 期刊：Nature Cancer
- DOI：https://doi.org/10.1038/s43018-025-01041-x
- 发表年份：2025
- 论文来源：An MRI–pathology foundation model for noninvasive.pdf

## 综合评定：🔴 实锤

## 详细发现

### 发现 1：“上帝模式”的 AI 模型（过度完美的性能）
- **位置**：Figure 5a / Figure 3a / Page 1625-1627
- **描述**：在 PSA 灰区（4-10 ng/ml）的 ROC 曲线分析中，External test set #1、#3 以及 Prospective test set 的 AUC 值竟然同时达到了完美的 1.000。
- **证据**：前瞻性测试和多个独立的外部验证集同时出现 AUC=1.0（即零误判），在真实的医学影像和病理学预测中几乎是天方夜谭。此外，对比组的 PSA 曲线 AUC 恰好为 0.500（纯随机猜测线）。这种极端的二元对立极其可疑，通常暗示测试集与训练集存在严重的数据泄露，或者测试集数据被人为筛选清洗过。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 2：PS 大法痕迹（多模态图像复用）
- **位置**：Figure 6c / Page 1628
- **描述**：论文展示了 T2WI、DWI 和 ADC 三种不同模态的 MRI 图像及其对应的注意力热图。视觉分析发现，这三组图像中的前列腺轮廓、内部解剖结构、边缘切割甚至噪点分布完全一致。
- **证据**：虽然医学影像会进行配准对齐，但不同模态（如反映解剖结构的 T2WI 和反映水分子弥散的 DWI）在真实成像时的信噪比、伪影位置绝对不可能一模一样。图像高度重合说明作者很可能是用同一张底图进行简单的灰度变换伪造了其他模态，并套用了完全相同的热图掩膜。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 3：违背物理法则的时间线（极其不合理的临床采集周期）
- **位置**：Figure 2d, Methods (Study design) / Page 1627, 1633
- **描述**：前瞻性测试集包含 100 名患者，文本明确声明收集时间为“JSPH between Feb 2023 and Mar 2023”（或图注中的 Mar 2022）。同时声明，这些患者的 Ground truth 依赖于“whole-mount histopathological analysis after RP”（根治性前列腺切除术后的整体切片病理分析）。
- **证据**：要在短短 2 个月内连续收集 100 名疑似前列腺癌患者，完成 MRI 扫描、穿刺活检、确诊、安排并接受根治性手术，最后还要完成极其耗时的前列腺全切大切片病理扫描和判读——这在现实医疗场景中是绝对不可能实现的流水线速度。这暴露了所谓“前瞻性验证”的数据极可能是东拼西凑的回顾性数据倒填。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 4：时间逻辑的低级笔误
- **位置**：Figure 2d (图注) / Page 1624
- **描述**：前瞻性队列的时间节点被写为“JSPH between Feb 2023 and Mar 2022 (n = 100)”。
- **证据**：时间倒流了？从 2023 年 2 月回到 2022 年 3 月收集数据。这种低级错误往往是在修改 manuscript 以掩盖时间线漏洞时留下的疏忽。
- **严重程度**：🟡
- **复核状态**：✅ 成立

## 耿同学辣评

这篇发在顶刊 Nature Cancer 上的大作，真把医学影像当成了赛博朋克游戏！前瞻性收集 100 个病人的全切片病理数据，2 个月搞定，华佗在世都不敢这么吹；更离谱的是，模型直接开了“上帝模式”，多个中心 AUC 严丝合缝地卡在 1.0，连不同模态的影像都能 P 得一模一样。伪造数据之前能不能先学学医院的工作流程啊？

## 建议后续行动

- [ ] 联系作者要求提供这 100 名前瞻性患者的原始手术记录、病理切片时间戳及原始 MRI DICOM 数据
- [ ] 在 PubPeer 上提出质疑，重点询问 AUC=1.0 的合理性及图像复用问题
- [ ] 向期刊编辑部举报，要求核查代码库与原始数据（特别是训练集与测试集的数据隔离情况）
- [ ] 向通讯作者所在机构的学术委员会举报（重点调查前瞻性研究伦理与数据真实性）

## ⚠️ 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。