通过增加全球关注噪音来提高医疗成像系统的对抗性稳定性

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 网络安全 网络安全

背景情况:

• 医疗图像容易受到敌对攻击,损害诊断准确性.
• 具有复杂病变特征的高分辨率医学图像对对抗防御提出了独特的挑战.
• 现有的防御方法难以有效地保护医疗成像系统免受复杂的对抗例子的影响.

研究的目的:

• 开发一种简单有效的方法,以提高医疗成像系统对抗对方攻击的稳定性.
• 解决人工智能模型在医学诊断中的脆弱性,这是由复杂的病变特征和高分辨率数据引起的.
• 提出一种新的防御机制,提高医疗人工智能对敌对干扰的弹性.

主要方法:

• 引入了全球注意噪声 (GATN) 注入,将全球噪声纳入示例层和特征层的注意噪声.
• 全球噪声增强了病变特征,防止模型专注于脆弱区域.
• 注意噪声局部地平滑模型对小扰动,与数据集特定的变体 (GATN-UR和GATN-R).

主要成果:

• GATN显著提高了医疗诊断模型对各种强大的对抗性攻击的稳定性.
• 在PGD攻击下,获得了86.66% (胸部X射线),72.49% (皮肤病学) 和90.17% (基底镜) 的强大精度.
• 在胸部X射线,皮肤学和洞察学数据集上表现出高于现有的对抗防御方法的卓越性能.

结论:

• GATN注射是一种有效的防御策略,用于增强医学成像AI的稳定性.
• 拟议的方法通过增强关键图像特征和模型稳定性,成功地减轻了对抗性攻击.
• GATN提供了一个有前途的解决方案,用于保护AI驱动的医疗诊断系统免受网络威胁.