强大的医学诊断:一种新的两相深度学习框架,用于在放射学图像中对抗性证据检测疾病
Sheikh Burhan Ul Haque1, Aasim Zafar2
1Department of Computer Science, Aligarh Muslim University, Uttar Pradesh, Aligarh, 202002, India. sbuhaque@myamu.ac.in.
Journal of imaging informatics in medicine
|February 12, 2024
概括
医疗成像的深度学习模型容易受到敌对攻击. 一个新的防御框架通过结合对抗性学习和图像过来提高COVID-19检测的AI诊断可靠性.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在诊断中的应用
- 深度学习应用程序深度学习应用程序
背景情况:
- 深度学习 (DL) 模型擅长从放射图像中诊断疾病,这在COVID-19大流行期间至关重要.
- 尽管DL模型的准确性很高,但它们很容易受到对抗性攻击,这可能会损害诊断可靠性和患者护理.
研究的目的:
- 开发和评估一个强大的防御框架,对抗用于医疗图像诊断的深度学习模型的对抗性攻击.
- 提高人工智能驱动的诊断工具的弹性和可靠性,以应对COVID-19等疾病.
主要方法:
- 提出了两阶段的防御框架,包括在训练期间的对抗性学习和在推理过程中用于过的JPEG压缩.
- 评估了ResNet-50,VGG-16和Inception-V3模型的框架,用于将肺部放射图像 (X射线,CT) 分类为正常,肺炎和COVID-19肺炎类别.
- 评估了对快速梯度标志方法 (FGSM),预计梯度下降 (PGD) 和基本代方法 (BIM) 的对抗性攻击的模型漏洞.
主要成果:
- 敌对攻击显著降低了基线DL模型的性能.
- 拟议的防御框架大大提高了模型对敌对攻击的抵抗力,在扰乱的数据上保持了高精度.
- 该框架确保了人工智能模型在从清洁的医疗图像中诊断COVID-19时的可靠性.
结论:
- 开发的防御框架有效地减轻了对深度学习诊断模型的对抗性攻击.
- 这种方法提高了AI在医学诊断中的可靠性,特别是在COVID-19检测等关键应用中.
- 确保模型的稳定性对于在医疗保健环境中安全可靠地部署AI至关重要.
