沙丘社区
论文

MedForge：通过伪造感知推理实现可解释的医学深伪检测

MedForge: Interpretable Medical Deepfake Detection via Forgery-aware Reasoning

Zhihui Chen, Kai He, Qingyuan Lei, Bin Pu, Jian Zhang, Yuling Xu, Mengling Feng
模型训练强化学习RLVR

摘要

文本引导的图像编辑器现已能高保真地篡改真实医学扫描，实现病灶植入/移除，威胁临床信任与安全。现有防御不足以应对医疗场景。医学检测器大多是黑箱，而基于 MLLM 的解释器通常是事后式的，缺乏医学专业知识，并可能在模糊病例上产生幻觉证据。我们提出 MedForge，一个面向事前式、证据扎实的医学伪造检测的数据与方法解决方案。我们引入 MedForge-90K，一个覆盖19种病理的真实病灶编辑大规模基准，通过医生检查指南与金标准编辑位置提供专家引导的推理监督。在此之上，MedForge-Reasoner 执行先定位后分析的推理，在给出结论前预测可疑区域，并进一步通过 Forgery-aware GSPO 对齐以强化定位并减少幻觉。实验展示了最先进的检测准确率与可信、与专家对齐的解释。

MedForge：通过伪造感知推理实现可解释的医学深伪检测：论文配图
图 1：框架比较。左：专门的视觉检测器（例如 CNN）仅输出二元决策，不提供临床可验证的证据。右下：事后 MLLM 解释者（例如 SIDA Huang 等人（2025b））可能会产生听起来合理但没有根据的理由，包括幻觉的视觉细节。右上：MedForge-Reasoner 首先识别可疑区域（蓝色），然后根据图像证据生成医学上连贯、视觉上可验证的基本原理，从而执行事前局部推理。