MedForge：可解釋的醫療深偽偵測與針對性推理
arXiv - Artificial IntelligenceZhihui Chen, Kai He, Qingyuan Lei, Bin Pu, Jian Zhang, Yuling Xu, Mengling Feng
提出 MedForge 系統，結合大規模醫療偽造資料集與先行推理機制，實現高準確度且可解釋的醫療深偽偵測。
AI 幫你先抓重點
AI 重點 1
MedForge-90K 大規模醫療偽造基準的建立
滑鼠懸停看 AI 判斷理由
此資料集首次將 19 種病理的真實影像與專業醫師標註的偽造位置結合，為後續模型訓練與評估提供高質量、可重現的基準，對醫療 AI 研究具有里程碑意義。
AI 重點 2
先行定位-分析推理流程與 Forgery-aware GSPO 的結合
滑鼠懸停看 AI 判斷理由
此推理架構不僅提升偵測準確度，還能產生可驗證的證據，解決傳統黑盒模型缺乏可解釋性的問題，對臨床決策支援至關重要。
AI 重點 3
可解釋報告與醫師檢查指引的一致性
滑鼠懸停看 AI 判斷理由
證明模型輸出與醫師專業判斷高度對齊，降低幻覺風險，提升醫療工作者對 AI 系統的信任與接受度。
核心研究發現
- 1
MedForge-90K 資料集涵蓋 19 種病理，並以醫師檢查指引提供專業證據標註，成為首個針對醫療影像偽造的高質量基準。
- 2
MedForge-Reasoner 採用先行定位-分析推理流程，先預測可疑區域再做判斷，顯著提升偵測速度與準確度。
- 3
透過 Forgery-aware GSPO 對齊機制，強化模型對證據的依賴，減少幻覺現象，提升解釋可信度。
- 4
實驗結果表明，MedForge 在多病理偽造任務上達到或超越現有最佳模型，準確率提升 5-10%。
- 5
系統提供的可解釋報告與醫師檢查指引相符，證明其在臨床實務中具備可操作性與信任度。
對教育工作者的啟發
醫療影像工作者可利用 MedForge 生成可解釋的偽造檢測報告，協助快速定位疑似偽造區域；教育工作者可將此案例納入醫學影像教學，強調 AI 可解釋性與臨床決策；開發者可參考 Forgery-aware GSPO 對齊機制，提升自家偵測模型的可信度。
原始文獻資訊
- 英文標題：
- MedForge: Interpretable Medical Deepfake Detection via Forgery-aware Reasoning
- 作者：
- Zhihui Chen, Kai He, Qingyuan Lei, Bin Pu, Jian Zhang, Yuling Xu, Mengling Feng
- 來源：
- arXiv - Artificial Intelligence
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。