論文の概要: MedForge: Interpretable Medical Deepfake Detection via Forgery-aware Reasoning

• arxiv url: http://arxiv.org/abs/2603.18577v1
• Date: Thu, 19 Mar 2026 07:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.011242
• Title: MedForge: Interpretable Medical Deepfake Detection via Forgery-aware Reasoning
• Title（参考訳）: MedForge:偽造認識推論による医用ディープフェイク検出
• Abstract要約: 我々は,データ・アンド・メソッド・ソリューションであるMedForgeを紹介した。 MedForge-90Kは、19の病態にまたがるリアルな病変編集の大規模なベンチマークであり、医師の診察ガイドラインや金の編集場所を通じて専門家が指導する推論の監督を行う。 その上で、MedForge-Reasoner は、判断を下す前に疑わしい地域を予測し、またForgery-aware GSPO と連携して、接地と幻覚の低減を図る。
• 参考スコア（独自算出の注目度）: 20.564711271646207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-guided image editors can now manipulate authentic medical scans with high fidelity, enabling lesion implantation/removal that threatens clinical trust and safety. Existing defenses are inadequate for healthcare. Medical detectors are largely black-box, while MLLM-based explainers are typically post-hoc, lack medical expertise, and may hallucinate evidence on ambiguous cases. We present MedForge, a data-and-method solution for pre-hoc, evidence-grounded medical forgery detection. We introduce MedForge-90K, a large-scale benchmark of realistic lesion edits across 19 pathologies with expert-guided reasoning supervision via doctor inspection guidelines and gold edit locations. Building on it, MedForge-Reasoner performs localize-then-analyze reasoning, predicting suspicious regions before producing a verdict, and is further aligned with Forgery-aware GSPO to strengthen grounding and reduce hallucinations. Experiments demonstrate state-of-the-art detection accuracy and trustworthy, expert-aligned explanations.
• Abstract（参考訳）: テキスト誘導画像エディターは、高忠実度で本物の医療スキャンを操作でき、臨床信頼と安全性を脅かす病変の移植/除去を可能にする。 既存の防衛は医療には不十分だ。 医療検知器は主にブラックボックスであるが、MLLMベースの説明器は一般的にポストホックであり、医学的な専門知識が欠如しており、曖昧なケースの証拠を幻覚させる可能性がある。 我々は,データ・アンド・メソッド・ソリューションであるMedForgeを紹介した。 MedForge-90Kは、19の病態にまたがるリアルな病変編集の大規模なベンチマークであり、医師の診察ガイドラインや金の編集場所を通じて専門家が指導する推論の監督を行う。 その上で、MedForge-Reasoner は、判断を下す前に疑わしい地域を予測し、またForgery-aware GSPO と連携して、接地と幻覚の低減を図る。 実験では、最先端の検知精度と信頼できる専門家による説明が示されている。

関連論文リスト

• DEEPMED: Building a Medical DeepResearch Agent via Multi-hop Med-Search Data and Turn-Controlled Agentic Training & Inference [34.74491972658472]
  DeepResearch(DR)は、ツールから検証可能な証拠を出力し、一般的なドメインで強力に実行する。 これは、タスク特性とツール使用のスケーリングの2つのギャップに起因しています。 DeepMedはベースモデルを平均で9.79%改善し、より大きな医学的推論とDRモデルを上回っている。
  論文  参考訳（メタデータ） (2026-01-26T13:57:48Z)
• MedREK: Retrieval-Based Editing for Medical LLMs with Key-Aware Prompts [70.64143198545031]
  本稿では,情報誘導のための注目型プロンプトエンコーダと正確なマッチングのための共有クエリキーモジュールを統合した検索ベースの編集フレームワークであるMedREKを提案する。 各種医用ベンチマークの結果から,MedREKは異なるコアメトリクス間で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-10-15T12:50:33Z)
• Decide less, communicate more: On the construct validity of end-to-end fact-checking in medicine [59.604255567812714]
  我々は、専門家が医療証拠を合成することによって、ソーシャルメディアからの真の主張を検証する方法を示す。 臨床試験の形で、野生の主張と科学的証拠を結びつける困難さ。 我々は,ファクトチェックは対話型コミュニケーション問題としてアプローチし,評価すべきであると主張している。
  論文  参考訳（メタデータ） (2025-06-25T22:58:08Z)
• MediSee: Reasoning-based Pixel-level Perception in Medical Images [6.405810587061276]
  MedSD(Medical Reasoning and Detection)を導入した新しい医療ビジョンタスクについて紹介する。 MedSDの目的は、医療画像に関する暗黙のクエリを理解し、対応するセグメンテーションマスクとターゲットオブジェクトのバウンディングボックスを生成することである。 医学的推論のセグメンテーションと検出のために設計された効果的なベースラインモデルであるメディセーを提案する。
  論文  参考訳（メタデータ） (2025-04-15T09:28:53Z)
• MedHallu: A Comprehensive Benchmark for Detecting Medical Hallucinations in Large Language Models [82.30696225661615]
  MedHalluは、医学的幻覚検出に特化して設計された最初のベンチマークである。 GPT-4o, Llama-3.1, および医学的に微調整されたUltraMedicalを含む最先端のLSMは、このバイナリ幻覚検出タスクに苦慮している。 双方向の包絡クラスタリングを用いて, 難解な幻覚は, 意味論的に真実に近いことを示す。
  論文  参考訳（メタデータ） (2025-02-20T06:33:23Z)
• Iterative Tree Analysis for Medical Critics [5.617649111108429]
  反復木解析(ITA)は、長い医学的テキストから暗黙の主張を抽出し、反復的で適応的な木のような推論プロセスを通じて各主張を検証するように設計されている。 以上の結果から,ITAは複雑な医療用テキスト検証タスクにおける事実不正確さを10%精度で検出する上で,従来手法よりも大幅に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-01-18T03:13:26Z)
• MedCoT: Medical Chain of Thought via Hierarchical Expert [48.91966620985221]
  本稿では,新しい階層的検証手法であるMedCoTについて述べる。 生体画像検査における解釈可能性と精度を高めるように設計されている。 4つの標準Med-VQAデータセットに対する実験的評価は、MedCoTが既存の最先端アプローチを上回ることを示している。
  論文  参考訳（メタデータ） (2024-12-18T11:14:02Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• A Hierarchical Feature Constraint to Camouflage Medical Adversarial Attacks [31.650769109900477]
  特徴空間における医療敵対的攻撃の本質的特性について検討する。 既存の攻撃に対するアドオンとして,新しい階層的特徴制約(hfc)を提案する。 提案手法を2つの医療画像データセットで評価する。
  論文  参考訳（メタデータ） (2020-12-17T11:00:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。