AI技术旨在防范医学影像网络威胁

2017年5月，英格兰和苏格兰的国家卫生服务(NHS)医院实际上因全球WannaCry网络攻击而关闭了几天。袭击导致数千人的预约和行动被取消，一些国民保健服务不得不拒绝非紧急情况。多达7万台设备(包括计算机、核磁共振扫描仪、血液储存冰箱和手术室设备)受到影响。

2016年，洛杉矶的好莱坞长老会医学中心向一名黑客支付了1.7万美元的比特币，以解锁攻击中加密的数据。医院工作人员正在努力应对丢失电子邮件和访问患者数据的问题。由于这一事件，一些患者被转移到其他医院，各种功能(包括CT扫描、文件、实验室工作和药房需求)所必需的计算机也离线。

这些事件凸显了医疗设备对网络威胁的脆弱性。电脑断层、核磁共振和超声波机器由主机发送的指令控制。如果这些指令异常或不正常(由于网络攻击、技术人员配置错误或主机软件错误)，可能会对患者产生潜在的有害威胁，如过度暴露于辐射、操纵设备组件或操纵医学图像功能。

汤姆马勒是该校软件与信息系统工程系尤瓦尔埃洛维奇教授和BGU尤瓦尔沙哈尔教授指导下的博士生。他提出了一种人工智能技术，可以消除或减少这些网络攻击或其他系统或人为错误。

马勒的方法使用AI分析从PC发送到物理组件的指令，并使用新的架构来检测异常指令。两层架构主要关注两类异常指令：上下文无关(CF)和上下文敏感(CS)。上下文无关(CF)是一个不太可能的值或指令，例如，它提供的辐射比常规方法多一百倍；上下文(CS)是一个正常值或组合值，但相对于特定的上下文，它被认为是异常的，例如，它与预期的扫描类型不匹配，或者它与患者的年龄、体重或潜在诊断不匹配。

研究团队用8277条记录的指令评估了CT领域的新架构，并用14种不同的无监督异常检测算法评估了CF层。他们对每个环境使用了五种监督分类算法，并针对四种不同类型的临床目标环境评估了CS层。

第二个CS层被添加到体系结构中。根据临床目标或身体部位的不同，仅使用CF层就可以将F1评分从71.6%提升到整体异常检测性能，范围在82%到99%之间。cs层可以利用设备进程的语义来检测CS异常，这是仅使用CF层无法检测到的。

这种架构可以很容易地集成到当前医疗环境中使用的机器中。“医疗器械制造商面临的一个关键问题是，他们对现有设备进行的任何更新都必须符合严格的安全指南，”马勒向MD DI解释道。“这是一个昂贵且耗时的过程，这使得更新现有设备不切实际。借助我们的双层架构，它可以插入现有设备，以确保其安全性。”

马勒说，可以和CT扫描并行分析。他解释说：“即使扫描已经开始，即使检测到错误，技术人员也可以在扫描几秒钟后迅速停止设备的运行。”

目前，马勒计划继续研究和改进这种方法。在2020年国际医学人工智能大会(AIME 2020)上，他介绍了自己的研究成果“保护医疗设备免受异常指令影响的双层架构”。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！