Los investigadores proponen una nueva técnica para prevenir las ciberamenazas por imágenes

Los investigadores proponen una nueva técnica para prevenir las ciberamenazas por imágenes p Copia PDF Investigadores de la Universidad Ben-Gurion del Negev han desarrollado una nueva técnica de inteligencia artificial que protegerá los dispositivos médicos de instrucciones operativas maliciosas en un ciberataque, así como otros errores humanos y del sistema. El investigador de BGU, Tom Mahler, presentará su investigación, "Una arquitectura de doble capa para la protección de dispositivos médicos frente a instrucciones anómalas" el 26 de agosto en la Conferencia Internacional 2020 sobre Inteligencia Artificial en Medicina (AIME 2020). Mahler es un Ph.
D. candidato bajo la supervisión de BGU Profs. Yuval Elovici y el Prof.
Yuval Shahar en el Departamento de Ingeniería de Software y Sistemas de Información (SISE) de BGU. Los dispositivos médicos complejos, como la TC (tomografía computarizada), la resonancia magnética (resonancia magnética) y las máquinas de ultrasonido, se controlan mediante instrucciones enviadas desde una PC host. Las instrucciones anormales o anómalas introducen muchas amenazas potencialmente dañinas para los pacientes, como la sobreexposición a la radiación, la manipulación de componentes del dispositivo o la manipulación funcional de imágenes médicas.
Las amenazas pueden ocurrir debido a ataques cibernéticos, errores humanos como errores de configuración de un técnico o software de PC host. loco. Como parte de su investigación de Doctorado en Ciencias, Mahler ha desarrollado una técnica mediante inteligencia artificial que analiza las instrucciones enviadas desde el PC a los componentes físicos utilizando una nueva arquitectura para la detección de instrucciones anómalas. Desarrollamos una arquitectura de doble capa para la protección de dispositivos médicos de instrucciones anómalas. La arquitectura se enfoca en detectar dos tipos de instrucciones anómalas: (1) instrucciones anómalas libres de contexto (CF) que son valores o instrucciones poco probables, como dar 100 veces más radiación que la típica, y (2) instrucciones anómalas sensibles al contexto (CS), que son valores normales o combinaciones de valores, de parámetros de instrucción, pero que se consideran anómalos en relación con un contexto particular, como no coincidir con el tipo de exploración deseado o no coincidir con la edad, el peso o el diagnóstico potencial del paciente.
Por ejemplo, una instrucción normal destinada a un adulto podría ser peligrosa [anómala] si se aplica a un bebé. Estas instrucciones pueden clasificarse erróneamente cuando se usa solo la primera capa, CF; sin embargo, al agregar la segunda capa, CS, ahora se pueden detectar ". Mahler, PhD Candidate, Departamento de Ingeniería de Sistemas de Información y Software, Universidad Ben-Gurion del Negev El equipo de investigación evaluó la nueva arquitectura en el dominio de la tomografía computarizada (TC), utilizando 8.277 instrucciones de TC grabadas y evaluó la capa de CF utilizando 14 algoritmos diferentes de detección de anomalías sin supervisión.
Luego evaluaron la capa CS para cuatro tipos diferentes de contextos objetivos clínicos, utilizando cinco algoritmos de clasificación supervisados ​​para cada contexto. La adición de la segunda capa CS a la arquitectura mejoró el rendimiento general de detección de anomalías desde una puntuación F1 del 71,6%, utilizando solo la capa CF, a entre el 82% y el 99%, según el objetivo clínico o la parte del cuerpo.
Además , la capa CS permite la detección de anomalías CS, utilizando la semántica del procedimiento del dispositivo, un tipo de anomalía que no se puede detectar utilizando solo la capa CF. Publicado en: Dispositivo / Noticias de tecnología p Copia PDF El nuevo método de tomografía computarizada reduce la exposición a la radiación.