预防医学影像网络威胁的新技术

2020年8月25日-研究人员在内盖夫本-古里安大学开发了一种新的人工智能该技术将保护医疗设备免受网络攻击中的恶意操作指令以及其他人为和系统错误的影响。

BGU研究员Tom Mahler将于2020年8月26日在2020年会议上发表他的研究，“用于保护医疗设备免受异常指令影响的双层架构”人工智能医学国际会议(AIME 2020)。马勒是BGU教授指导下的博士候选人。BGU软件与信息系统工程系(SISE)的Yuval Elovici和Yuval Shahar教授。

复杂的医疗器械等计算机断层扫描(CT),磁共振成像(MRI)和超声波机器由主机PC发出的指令控制。异常或异常指令会给患者带来许多潜在的有害威胁，例如辐射过度暴露、设备组件的操作或医学图像的功能性操作。威胁可能是由于网络攻击、人为错误(如技术人员的配置错误或主机PC软件错误)而发生的。

作为他博士研究的一部分，马勒开发了一种使用人工智能的技术，该技术使用一种新的架构来分析从PC发送到物理组件的指令，以检测异常指令。

马勒说:“我们开发了一种双层架构，用于保护医疗设备免受异常指令的影响。”该体系结构专注于检测两种类型的异常指令:(1)上下文无关(CF)异常指令，这是不太可能的值或指令，例如给予比典型辐射多100倍的指令;(2)上下文敏感(CS)异常指令，这是指令参数的正常值或值的组合，但被认为是相对于特定上下文的异常指令，例如预期的扫描类型不匹配，或不匹配患者的年龄、体重或潜在诊断。

“例如，针对成年人的正常指令如果应用于婴儿，可能是危险的(异常的)。当只使用第一层CF时，这些指令可能会被错误分类;然而，通过添加第二层，即CS层，现在可以检测到它们。”

研究团队评估了计算机断层扫描(CT)领域的新架构，使用8277条记录的CT指令，并使用14种不同的无监督异常检测算法评估CF层。然后，他们对四种不同类型的临床客观环境的CS层进行评估，对每种环境使用五种监督分类算法。

将第二层CS添加到架构中，将整体异常检测性能从仅使用CF层的71.6%的F1分数提高到82%到99%之间，这取决于临床目标或身体部位。此外，CS层允许使用设备过程的语义检测CS异常，这种异常类型仅使用CF层无法检测到。

参与这项研究的其他研究人员包括北卡罗来纳大学医学信息研究中心主任Yuval Shahar教授，以及北卡罗来纳大学软件与信息系统工程系(SISE)的Yuval Elovici教授，北卡罗来纳大学网络安全研究中心主任，以及Erez Shalom博士，他也是医学信息研究中心的高级研究员。

欲了解更多信息:www.aabgu.org