在IoMT系统中进行安全可靠的医疗图像分析的可解释AI框架

科学领域:

• 医学图像分析 医学图像分析
• 医疗保健中的人工智能
• 在 IoMT 中的网络安全.

背景情况:

• 人工智能 (AI) 在医疗成像中整合提供了更高的诊断精度,但在医疗物联网 (IoMT) 中面临着透明度,可信度和安全方面的挑战.
• 现有的AI模型往往缺乏临床解释性,阻碍了对关键医疗保健应用的信任和采用.
• 医疗网络物理系统 (MCPS) 的动态性和互联性需要强有力的安全措施来应对不断变化的威胁.

研究的目的:

• 为医疗网络物理系统 (MCPS) 设计了一个新的可解释AI (XAI) 框架.
• 在IoMT.内解决AI驱动的医疗图像分析中透明度,可信度和安全性的关键挑战.
• 提高医疗保健环境中人工智能模型的临床解释性和稳定性.

主要方法:

• 该框架将深度神经网络与象征性知识推理相结合,以获得临床可解释的见解.
• 一个增强的动态信心加权注意力 (增强的DCWA) 机制通过适应性规范化和多层次的信心加权来改进注意力图.
• 弹性可观测和检测引擎 (RODE) 使用稀疏可观测原则来检测和减轻对抗性威胁.

主要成果:

• 该框架显示,在基准数据集上的损伤分类准确性增加了15%.
• 强度损失减少了30%,这表明对抗攻击的弹性提高了.
• 与现有的最先进的方法相比,观察到可解释性指数有20%的改善.

结论:

• 拟议的XAI框架显著提高了IoMT环境中的医疗图像分析中的AI性能和可靠性.
• 增强型DCWA和RODE的整合为MCPS提供了强大的和可解释的AI解决方案.
• 这项工作为数字医疗保健中更安全,透明和可靠的AI应用铺平了道路.