🔍 耿同学打假报告

论文信息

• 标题：Susceptibility MRI Helps Predict Mild Cognitive Impairment Onset and Cognitive Decline in Cognitively Unimpaired Older Adults
• 作者：Lin Chen, PhD; Anja Soldan, MA, PhD; Andreia Faria, MD, PhD; Marilyn Albert, PhD; Peter C. M. van Zijl, PhD; Xu Li, PhD; for the BIOCARD Study Team
• 期刊：Radiology
• DOI：10.1148/radiol.250513
• 发表年份：2025 (September 2025)
• 论文来源：susceptibility-mri-helps-predict-mild-cognitive-impairment-onset-and-cognitive-decline-in-cognitively-unimpaired-older.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：生存曲线形态异常一致（无视风险比 HR 的巨大差异）

• 位置：Figure 3 (Kaplan-Meier 生存曲线) 及 Table 2 (Cox 回归分析数据)
• 描述：根据视觉分析摘要，Figure 3 中不同脑区（内嗅皮层、壳核、尾状核）以及不同队列（总样本 N=158 vs PET 亚组 N=110）的 High susceptibility 组生存曲线，在下降阶梯位置、形态及终点高度上表现出极高的重合度。然而，对照 Table 2 的统计数据发现，不同队列和脑区的 Cox 回归风险比（HR）存在巨大差异。
• 证据：总样本内嗅皮层的 HR 为 2.00，而 PET 亚组内嗅皮层的 HR 高达 3.59；PET 亚组中尾状核的 HR 为 2.11，壳核为 2.54。HR 值差异如此之大（2.00 对 3.59），意味着高风险组发生 MCI 的速度和概率有显著差别，在真实的生存曲线图上必然表现为斜率和阶梯落差的明显不同。如果绘图轨迹几乎完全重合，说明统计数据与图表可视化之间存在严重的逻辑割裂，存在绘图套用模板或直接伪造图表的极高风险。
• 严重程度：🔴
• 复核状态：✅ 成立

⚠️ 发现 2：预测模型的置信区间呈现出非自然的“完美”对称

• 位置：Figure 4 (线性混合效应模型预测图)
• 描述：Figure 4 展示了基线磁化率与全球认知表现下降的关联。根据视觉分析摘要，图中的置信区间（阴影区域）形状过于规则、对称，且在不同脑区（ENT, PT, CN）之间呈现出高度相似的几何特征，整体图表缺乏真实大样本纵向数据应有的随机波动感。
• 证据：尽管这是模型预测值的可视化，但真实世界的纵向认知评估数据（尤其是包含 158 名老年人长达 7.7 年随访的数据）通常会受到失访、个体差异等影响，边缘区域的置信区间往往会呈现出一定的不规则扩张或收敛。跨不同脑区的高度标准化和完美对称，结合发现 1 中的生存曲线异常，提示作者可能使用了不恰当的过度平滑算法，或直接生成了拟合度不符合真实数据特征的“假图”。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

发现 3：时间线与数据逻辑交叉验证（未发现明显穿越现象）

• 位置：Materials and Methods / 文章接收时间
• 描述：对论文的基本时间线和数据逻辑进行了耿同学第六式（引用与方法学异常）的审查。
• 证据：论文于 2025 年 2 月 19 日收到，2025 年 7 月 24 日接收。研究方法中提及使用了 Matlab (version 2023b) 和 R (version 4.3.0)，这些软件版本在投稿前均已广泛发布，符合时间逻辑。样本量追踪（初始 187 人，排除 29 人后 158 人，其中 PET 亚组 110 人）在文本和 Table 1 中保持了自洽。
• 严重程度：✅ (此部分未发现异常)
• 复核状态：✅ 成立

耿同学辣评

统计表格里的 HR 值写得天花乱坠（2.00 变 3.59），到了画生存曲线的时候却像是在玩“大家来找茬”——居然能画得一模一样！这就像是你简历上写着拿了五个不同专业的学位，结果交出的毕业论文却连标点符号都一字不差。咱们做的是纵向临床随访，不是工厂流水线上的标准模具，数据太“完美”有时候本身就是最大的破绽！

建议后续行动

• 联系作者要求提供生成 Figure 3 和 Figure 4 的原始 R 代码和个体-level 数据
• 在 PubPeer 上提出质疑（重点指出 HR 值差异与生存曲线视觉一致性的矛盾）
• 向期刊编辑部举报（建议在获得更多原始数据线索后进行）

⚠️ 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。