MedForge: 위조 인식 추론을 통한 해석 가능한 의료 영상 위조 탐지

MedForge: Interpretable Medical Deepfake Detection via Forgery-aware Reasoning

텍스트 기반 이미지 편집 도구는 이제 실제 의료 영상을 높은 정확도로 조작할 수 있으며, 이를 통해 병변을 삽입하거나 제거하여 임상 신뢰성과 안전을 위협할 수 있습니다. 기존의 방어 기술은 의료 분야에 적합하지 않습니다. 대부분의 의료 영상 탐지 시스템은 블랙박스 형태로 운영되며, MLLM 기반 설명 시스템은 일반적으로 사후 분석을 수행하고, 의료 전문성이 부족하며, 애매한 경우에 증거를 환각할 수 있습니다. 본 논문에서는 사전 분석 및 증거 기반의 의료 영상 위조 탐지를 위한 데이터 및 방법론적 솔루션인 MedForge를 제시합니다. MedForge-90K는 19가지 질병에 대한 실제적인 병변 편집을 포함하는 대규모 벤치마크 데이터셋으로, 의사의 검토 지침과 정답 편집 위치를 활용하여 전문가의 지도를 받아 구축되었습니다. 이를 기반으로 MedForge-Reasoner는 의심스러운 영역을 먼저 식별한 후 판단을 내리는 '지역화 후 분석' 추론 방식을 사용하며, Forgery-aware GSPO를 통해 정확도를 높이고 환각 현상을 줄입니다. 실험 결과, MedForge는 최첨단 수준의 탐지 정확도를 보여주며, 전문가와 일관된 신뢰할 수 있는 설명을 제공합니다.

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.