虽然许多研究都集中在生成高保真的合成图像以用于有益的应用，但很少有研究关注检测这些篡改。这项研究将重点放在检测上，特别是眼底图像——这种视网膜扫描对于诊断青光眼、黄斑变性和糖尿病视网膜病变等疾病至关重要。
数字篡改技术正在迅速发展，对医疗数据完整性和患者安全构成了严重威胁。为了应对这一威胁，设计用于检测这些篡改的技术必须跟上这些技术的发展速度和复杂性。
来自韩国公阳大学的研究人员开发的一种新的深度学习模型，在识别被篡改的医学眼底图像方面展示了前所未有的准确性，显著优于人类专家。这项名为“评估深度学习模型在识别被篡改的医学眼底图像中的有效性”的研究发表在《AI》杂志上，突显了迫切需要自动化工具来打击临床环境中的图像欺诈行为。
随着先进的图像转换技术的出现，最初因其能够增强数据稀缺的医学领域而受到赞誉，但也带来了新的威胁：利用AI伪造或篡改诊断图像的潜在滥用。随着CycleGANs和Residual U-Nets等转换模型变得越来越复杂，真实和篡改的医学图像之间的界限变得模糊。这些合成输出通常与真实的视觉效果难以区分，可能会被恶意用于伪造诊断、篡改临床试验数据或进行医疗保险欺诈。
风险不仅限于学术推测。报告指出，现实世界的影响包括可能绕过监管保障措施（如机构审查委员会（IRB）批准）、歪曲临床疗效试验结果以及利用数字系统进行保险报销。随着全球精准医疗市场已超过470亿美元并迅速扩张，对强有力的安全保障的需求从未如此迫切。
为了开发检测模型，研究人员使用了1,700多张眼底图像，包括真实和合成篡改的图像。篡改图像是使用CycleGAN和Res U-Net架构生成的，模拟了在实际临床环境中可能遇到的各种篡改方法。这些图像被分为四类：正常、青光眼、糖尿病视网膜病变和黄斑变性。
基于轻量级卷积神经网络（CNN）的深度学习模型经过优化，能够在不牺牲准确性的情况下实现快速检测。该模型采用了连接操作，以保留深层传递过程中常常丢失的细微视觉信息。Grad-CAM可视化确认了模型的可解释性，显示了不同疾病类型中精确的篡改区域定位。
性能指标令人印象深刻：在篡改图像上，该模型达到了1.00的灵敏度、0.84的精确度、0.92的F1分数和0.988的平均曲线下面积（AUC）。这些结果在所有病变类型中保持一致。
为了评估模型的实际可行性，其输出与五位来自不同机构的眼科医生的评估进行了对比。每位专家的任务是从随机数据集中识别出被篡改的图像。尽管他们在真实图像上的表现与AI相当（灵敏度0.93，F1分数0.95），但在识别篡改图像时表现急剧下降，灵敏度降至0.71，精确度降至0.61，F1分数降至0.65。他们的AUC平均值仅为0.822，而模型的AUC为0.988。
使用自助重采样进行的统计比较强调了这种差异：在篡改数据上的灵敏度平均差异为0.29，有利于AI，精确度和F1分数也存在类似显著差距。
这项在眼底图像篡改检测方面的突破既是一个警告也是一个解决方案。它证实了合成图像可以欺骗训练有素的专业人士，强调了在诊断工作流程中需要算法辅助。随着深度学习模型在识别伪造数据方面比人眼更可靠，将其集成到临床决策系统中不仅可行而且必要。
然而，作者承认存在一些局限性和进一步研究的方向。该研究基于公开数据集和控制图像大小（256×256），可能无法完全反映现实世界临床图像的多样性。此外，为了速度和资源效率，省略了与更大、计算密集型模型（如ResNet或Vision Transformers）的比较。研究还缺乏消融分析，以隔离特定架构组件（如连接层）的影响。
未来的研究旨在纳入多中心临床数据集，并扩展分析的篡改技术范围。此外，团队计划评估性能与最先进的分类器，并进行深入的架构分解以优化模型性能。
(全文结束)
声明：本文仅代表作者观点，不代表本站立场，全文内容涉及AI跨语种自动翻译。如有侵权请联系我们删除。