相关实验视频
Updated: Feb 28, 2026
05:28
Clinical Imaging of Microwave Mammography
Published on: November 14, 2025
325
安全的乳腺癌诊断 耐受性强的乳房扫描对抗性样本
Degan Hao1, Dooman Arefan2, Margarita L Zuley2
1Intelligent Systems Program, University of Pittsburgh, Pittsburgh, PA, USA.
概括
这项研究引入了一种新的训练人工智能模型准确诊断乳腺癌的新方法,即使面临旨在导致错误的恶意对抗数据. 开发的方法增强了AI在临床环境中对此类攻击的弹性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 深度学习模型容易受到对抗性数据的攻击,从而导致潜在的故障.
- 确保AI的准确性和弹性对于安全的临床应用至关重要.
- 使用乳房扫描进行乳腺癌诊断需要强大的AI系统,能够抵抗敌对攻击.
研究的目的:
- 开发一种新的方法来构建安全和强大的深度学习模型,用于乳腺癌诊断.
- 提高人工智能模型对乳房镜中的对抗样本的弹性.
- 为了提高AI驱动的乳腺癌诊断在存在对立数据的准确性.
主要方法:
- 提出了一种新的对抗性强大的特征学习 (ARFL) 方法.
- 纳入特征相关性测量作为一个客观的功能,以鼓励强大的特征.
- 通过使用标准和对抗性乳房扫描数据,促进对抗性训练.
主要成果:
- 在两个独立的临床数据集 (9,548张乳房影像) 上评估了深度学习诊断模型.
- 证明ARFL方法的表现优于一些最先进的对抗性训练技术.
- 展示了ARFL在加强对抗性培训以进行强大的乳腺癌诊断方面的有效性.
结论:
- ARFL是一种有效的方法来增强医学AI的对抗性培训.
- 拟议的方法有助于建立更安全的乳腺癌诊断系统,防止对抗性攻击.
- 这项研究为在临床环境中更安全的AI应用铺平了道路.
