StealthMark：基于不确定性引导的医学分割模型无害且隐形的所有权验证

为训练AI模型注释医学数据往往昂贵且受限于专业知识不足的临床专家。由于敏感患者信息的隐私和伦理问题，这一挑战进一步加剧。结果，针对私有数据集训练的医学分割模型构成珍贵的知识产权，需要稳健的保护机制。现有模型保护技术主要聚焦于分类和生成任务，而分割模型——医学图像分析的关键——鲜有探索。本文提出一种新颖、隐形且无害的方法StealthMark，用于在黑盒条件下验证医学分割模型的所有权。我们的方法通过微调模型不确定性而不改变最终分割输出，从而保留模型性能。为实现所有权验证，我们采用模型无关的解释方法（如LIME）从模型输出中提取特征归因。当满足特定触发条件时，这些解释揭示出可验证的distinct水印。我们进一步将水印设计为二维码，以促进稳健且可识别的所有权主张。我们在四个医学图像数据集和五个主流分割模型上进行了广泛实验。结果表明该方法在原始模型分割性能方面有效、隐形且无害。例如，当应用于SAM模型时，StealthMark在各种数据集上 consistently 实现95%以上的ASR，同时保持Dice和AUC分数下降不到1%，显著优于基于后门的水印方法，凸显其在实际部署中的强大潜力。我们的实现代码已公开：https://github.com/Qinkaiyu/StealthMark。