面向医学深度伪造检测：综合数据集与新颖方法
计算机视觉与模式识别
2025-09-22 v1
摘要
生成式 AI 在医学成像中的快速发展带来了重大机遇和严峻挑战，特别是虚假医学图像可能破坏医疗系统的风险。这些合成图像带来了严重的风险，如诊断欺骗、财务欺诈和虚假信息。然而，针对这些威胁的医学取证研究仍然有限，并且严重缺乏专门为该领域量身定制的综合数据集。此外，现有的媒体取证方法主要为自然图像或面部图像设计，无法捕捉 AI 生成的医学图像的独特特征和细微伪影。为了应对这些挑战，我们引入了 \textbf{MedForensics}，这是一个大规模医学取证数据集，包含六种医学模态和十二种最先进的医学生成模型。我们还提出了 \textbf{DSKI}，一种新颖的\textbf{双}\textbf{阶}\textbf{段}\textbf{知}\textbf{识}注入检测器，它构建了一个专为检测 AI 生成的医学图像而定制的视觉-语言特征空间。DSKI 包含两个核心组件：1）跨域细粒度痕迹适配器（CDFA），用于在训练期间从空间域和噪声域中提取细微的伪造线索；2）医学取证检索模块（MFRM），用于在测试期间通过少样本检索提高检测精度。实验结果表明，DSKI 显著优于现有方法和人类专家，在多种医学模态上实现了卓越的准确率。
引用
@article{arxiv.2509.15711,
title = {Toward Medical Deepfake Detection: A Comprehensive Dataset and Novel Method},
author = {Shuaibo Li and Zhaohu Xing and Hongqiu Wang and Pengfei Hao and Xingyu Li and Zekai Liu and Lei Zhu},
journal= {arXiv preprint arXiv:2509.15711},
year = {2025}
}