新加坡国立大学广州创新研究院博士奖学金得主、新国大公共卫生学院博士二年级研究生陈致晖以第一作者完成的研究成果《MedForge: Interpretable Medical Deepfake Detection via Forgery-aware Reasoning》，被自然语言处理与大模型领域顶会——第64届国际计算语言学协会年会（ACL 2026）主会议正式接收。ACL是自然语言处理与计算语言学领域的全球顶级学术会议，被中国计算机学会（CCF）列为A类会议。本届主会论文录用率仅为19%，本次入选代表陈致晖同学的研究在创新性、学术价值与应用潜力上获得国际同行高度认可。

陈致晖同学关注医疗AI中的真实性与可信性问题，尤其是生成式模型进入医学场景后带来的“医学深度伪造”风险。同时，他也关注如何让模型不仅给出判断，还能给出医生可验证、可追溯的依据。本次ACL 2026接收的MedForge项目正是围绕这个方向展开，该研究主要识别影像是否被篡改，更进一步回答“伪造发生在哪里、为什么可疑”，让模型输出更接近临床工作中的证据链。

代码与项目主页

https://github.com/richardChenzhihui/ACL2026-MedForge

学子专访

陈致晖，新加坡国立大学公共卫生学院博士二年级研究生，新国大广州创新研究院博士奖学金得主，师从冯梦凌（Mengling “Mornin” Feng）副教授。他的研究聚焦于医疗大模型、可信医学人工智能与多模态大模型医学推理，当前主要项目包括可解释医疗深度伪造检测框架 MedForge，致力于做真正服务临床、经得起验证的医学大模型研究。

Q：请分享下你目前的读博体验

A：我目前的读博体验可以概括为“比想象中更自由，也比想象中更需要自我驱动”。真正进入博士阶段后，我最大的感受是，科研的难点往往不在于把实验做出来，而在于如何提出一个值得长期投入的问题、如何在反复试错中保持判断力。

对我来说，一个意想不到的挑战，是需要不断在医学问题与AI方法之间来回切换视角：既要理解技术细节，也要时刻追问这个问题是否真的重要、是否符合临床需求。与此同时，博士生活也给我带来了很多惊喜，比如和不同背景的老师、同学合作时，经常会碰撞出新的想法；再比如，当自己的工作被ACL 2026主会接收时，会更真切地感受到长期积累带来的回报。

Q：请问你是如何走到“医疗AI”这个方向上的？

A：我的本科是在香港中文大学（深圳）学习统计学，硕士在香港大学学习人工智能。从知识路径上看，这与我现在的博士研究方向是一脉相承

的。统计学训练让我更关注数据背后的规律、偏差和不确定性，而人工智能训练则让我具备了构建模型、解决复杂问题的工具。进入博士阶段后，我逐渐意识到，AI如果真正要服务社会，医疗是最有价值、同时也最需要谨慎对待的应用场景之一。

之所以走到“医疗AI”这个方向，一方面是因为它兼具学术挑战和现实意义。医疗数据复杂、标准高、容错率低，很多问题不能只追求“模型效果更高”，还必须考虑是否可靠、是否可解释、是否真正能被临床接受。另一方面，我也越来越关注生成式大模型快速发展带来的新机遇和风险。传统医疗AI更多关注诊断、分割、预测，但随着大模型能力增强，我们在拥有更强大的医学智能的同时，也会面对更多样的医疗安全风险。

在我的这篇论文中，我们关注到了大模型驱动的图像伪造，对医学影像有着格外的威胁。这不仅能骗过普通人，更被证明能影响临床决策和医学证据的可信度。因此，我希望把统计、AI和医学场景结合起来，去做更可信、更负责任的医疗AI研究。

Q：你的研究聚焦“医学深度伪造”，与常见的AI换脸、虚拟视频等AI造假相比，医学影像的伪造检测有哪些独特的挑战？

A：医学影像伪造检测与常见的AI换脸、虚拟视频检测有几个非常不同的地方。

首先，医学影像的“伪造目标”往往不是整张图像，而是一个局部、细微却临床意义极强的区域。例如，一个很小的病灶可以被植入，也可以被擦除，用以达到误导诊断或诈骗的目的。对普通人来说，这些变化可能几乎不可察觉，但对临床判断却可能产生决定性影响。这意味着检测模型不仅要判断真假，更要回答“伪造发生在哪里”。

其次，医学影像高度依赖专业知识。自然图像中的伪造检测，很多时候可以依赖纹理异常、边界不自然、光照不一致等线索；但在医学场景里，所谓“异常”不能只靠视觉直觉判断，而要结合解剖结构、病灶形态、临床逻辑来理解。有些伪造在视觉上是“合理”的，但从医学知识上并不成立。因此，模型还需要回答“为什么它是伪造”，而不是仅给出一个真假标签。

第三，医学影像跨模态、跨设备、跨病种，数据分布复杂。CT、MRI、X-ray在成像机制和视觉表现上差异很大，不同病灶类型的伪造方式也不一样。这使得模型很容易在单一数据集上表现良好，但在真实场景中泛化不足。

最后，医疗场景对结果的可验证性要求更高。普通深伪检测中，给出一个概率分数可能已经足够；但在医学场景里，医生和研究者更关心证据链，希望模型能够提供可定位、可核查、符合医学逻辑的解释。这也是我们做MedForge的核心出发点：不仅识别伪造，更要让判断过程具备临床可理解性和可验证性。

Q：你的导师或实验室团队对你产生了怎样的影响？

A：导师和团队对我的影响非常大。冯梦凌老师一直鼓励我们把问题想深、把标准拉高，不仅要做“能发出来”的研究，更要做“真正有价值、经得起推敲”的研究。他非常重视研究的真实应用场景，这让我在做方法设计时，会更多思考临床意义和落地价值。团队伙伴们也给了我很多支持，无论是论文讨论、实验推进，还是遇到瓶颈时的交流，都让我受益匪浅。特别想感谢冯老师的指导，也很感谢一起并肩推进项目的团队同学们。

Q：研究院的博士奖学金对你的科研学习、生活有什么样的影响？

A：研究院的博士奖学金对我来说，不只是经济上的支持，更是一种实实在在的认可和鼓励。首先，它帮助我在科研上拥有更稳定的环境和更大的自主性，让我能够把更多时间和精力投入到长期、有挑战性的研究问题中，而不是被短期压力所牵制。尤其对于博士阶段而言，这种稳定性很重要，因为很多真正有价值的研究都需要持续积累和反复打磨。

其次，这份奖学金也增强了我的责任感。它让我感受到，研究院愿意把资源投入到青年研究者身上，这本身就是一种信任。对我而言，这种信任意味着我不仅要把论文做好、把课题做好，也要努力让自己的研究真正回应现实问题，在学术价值之外产生更广泛的社会意义。

在生活层面，奖学金也让我能以更从容的状态面对博士阶段的节奏。博士训练是一场长期过程，有高强度的研究，也有反复试错和不确定性。奖学金提供的支持，让我可以更专注地走好这段路，也让我在面对困难时更有底气坚持下去。

Q：请谈谈你眼中研究院博士奖学金项目的价值

A：结合自己的经历，我认为研究院博士奖学金项目的价值，首先在于它为有潜力的青年研究者提供了一个更稳定、更有支持力的成长环境。博士培养不是简单地完成课程和发表论文，而是帮助学生建立独立研究能力、形成长期学术判断、找到真正想持续投入的问题。奖学金项目的意义，就在于它为这种“深度成长”提供了土壤。

其次，这类项目对交叉学科研究尤其重要。像我现在做的医疗AI，本身就处在统计、人工智能和医学的交叉点上。这样的方向往往既需要技术积累，也需要跨学科理解，还需要较长周期去验证研究价值。奖学金项目能够鼓励学生去做更有挑战、但也更有意义的问题，而不是只追求短期、保守的成果。从这个角度看，奖学金不仅支持个人成长，也在塑造一种更有责任感、更面向未来的科研文化。

Q：你的研究如果能改变世界的一小部分，你希望它改变什么？

A：如果我的研究能改变世界的一小部分，我希望它能让医疗人工智能变得更可信、更安全一些。医学场景和其他应用场景不同，一次错误判断可能影响的是患者的诊疗决策。因此，我希望未来的医学人工智能不只是“性能高”，更要“知道自己为什么这样判断”，并且能够给出医生和患者都能理解、都能验证的依据。哪怕只是让一小部分医疗影像分析系统变得更可靠、更透明，我都觉得这件事很有意义。

Q：请给刚入学的博士学弟学妹们一些建议。

A：首先，建议学弟学妹们尽早找到一个你真正愿意长期投入的问题，比一开始追求“做很多事”更重要。其次，要接受科研中的不确定性，论文被拒、实验不稳定、方向调整都是常态，不必因为短期波动否定自己。另外，多和导师、同学交流，很多卡住的问题并不是靠“熬”出来的，而是在讨论中逐渐想清楚的。第四点，保持基本的生活节奏和身体状态，博士是一场长跑，稳定比冲刺更重要。最后，别只盯着结果，也要训练自己提出好问题、做清晰表达和建立长期判断力的能力，这些会比单篇论文更重要。

研究介绍

研究背景

随着生成模型能力不断增强，医疗影像中的病灶已经可以被“逼真地”植入、移除或修改，且在视觉上仍具有很强的迷惑性。这类医学深度伪造会直接威胁临床决策安全，也会削弱医学人工智能系统训练数据、评测结果以及医学证据本身的可信度。现有研究大多停留在真假二分类层面，但在医疗场景中，更重要的是回答：伪造发生在哪里、为什么被判定为伪造。因此，我们希望构建一个既准确、又能提供临床级解释的检测框架。

研究亮点

 - 构建首个大规模可解释医疗伪造数据集MedForge-90K

覆盖CT、MRI、X射线三类影像，包含19类病灶，由10种先进伪造模型生成，为领域提供权威基准。

 - 升级任务范式

从 “真伪识别” 拓展为定位伪造区域+生成临床级解释，每个样本均配备专家标注定位掩码与专业依据。

 - 提出MedForge-Reasoner推理框架

采用Localize-then-Analyze范式，结合视觉语言模型与Forgery-aware GSPO强化学习，在达到SOTA检测精度的同时，输出专业、局部、可验证的医学解释，显著降低模型幻觉。

 - 成果落地可期

论文已被ACL 2026主会接收，代码、模型与数据集将陆续开源，为医疗影像真实性审查、AI数据治理、临床证据核验提供可落地技术路径。

应用前景与影响

这项工作一方面为医疗深度伪造检测提供了新的研究基准与方法框架，另一方面也为医学影像真实性审查、医疗人工智能数据治理、临床证据核验等场景提供了可落地的技术思路。相比“只给答案”的黑盒检测器，MedForge 更强调“给出依据”，这对于高风险医疗场景尤为关键。长期来看，我们希望它能推动可信医学人工智能从“性能导向”走向“性能 + 可解释 + 可验证”并重。

团队介绍

陈致晖的导师是冯梦凌（Mengling “Mornin” Feng）副教授，现任新加坡国立大学公共卫生学院副教授，同时担任 AI for Public Health（AI4PH）项目主任以及Biostatistics, Modelling, AI and Data Analytics（B.MAD）领域负责人。

冯梦凌副教授在新加坡国立大学广州创新研究院，为广州市领导和新加坡国立大学校长讲解实验室AI成果

冯梦凌副教授团队长期聚焦医疗与公共卫生场景中的人工智能研究，涵盖医学影像分析、治疗推荐、临床文本处理与健康数据智能等方向，强调从真实问题出发，推动方法创新与临床转化并行。

我所在的研究团队非常重视跨学科合作：既鼓励技术深度，也强调与临床专家充分对话，确保研究问题真实、评价标准严格、成果能够落地。这种“做有用且做扎实”的科研氛围，对我的研究思路、问题意识和学术标准都产生了很大影响。

———陈致晖

感谢陈致晖同学的分享，从数据集构建到模型创新，从真伪甄别到可解释溯源，陈致晖同学研究步履扎实，一路亦有收获。前路漫漫亦灿灿，期待他继续探索可信医疗AI领域，以技术守护医学安全，让科研价值在临床应用中生生不息。