CIBERSEGURIDAD

Nueva técnica diseñada para prevenir las ciberamenazas por imágenes médicas

Se ha creado una nueva técnica de inteligencia artificial para proteger los dispositivos médicos de instrucciones operativas maliciosas en un ciberataque, así como de otros errores humanos y del sistema.

Tom Mahler, investigador de la Universidad Ben-Gurion del Negev, Israel, presentó su investigación, «Una arquitectura de doble capa para la protección de dispositivos médicos contra instrucciones anómalas» el 26 de agosto en el 2020. Congreso Internacional de Inteligencia Artificial en Medicina (AIME 2020).

Los dispositivos médicos complejos como CT (tomografía computarizada), MRI (imágenes por resonancia magnética) y máquinas de ultrasonido se controlan mediante instrucciones enviadas desde una PC host. Las instrucciones anormales o anómalas presentan muchas amenazas potencialmente dañinas para los pacientes, como la sobreexposición a la radiación, la manipulación de los componentes del dispositivo o la manipulación funcional de imágenes médicas. Las amenazas pueden ocurrir debido a ataques cibernéticos, errores humanos, como un error de configuración de un técnico o errores de software de la PC host.

Mahler ha desarrollado una técnica mediante inteligencia artificial que analiza las instrucciones enviadas desde el PC a los componentes físicos utilizando una nueva arquitectura para la detección de instrucciones anómalas.

“Desarrollamos una arquitectura de doble capa para la protección de dispositivos médicos de instrucciones anómalas”, dice Mahler. “La arquitectura se enfoca en detectar dos tipos de instrucciones anómalas: (1) instrucciones anómalas sin contexto (CF) que son valores o instrucciones poco probables, como dar 100 veces más radiación que la típica, y (2) instrucciones anómalas sensibles al contexto (CS) , que son valores normales o combinaciones de valores, de parámetros de instrucción, pero se consideran anómalos en relación con un contexto particular, como no coincidir con el tipo de exploración deseado o no coincidir con la edad, el peso o el diagnóstico potencial del paciente.

«Por ejemplo, una instrucción normal destinada a un adulto puede ser peligrosa [anomalous] si se aplica a un bebé. Estas instrucciones pueden clasificarse erróneamente cuando se utiliza solo la primera capa, CF; sin embargo, al agregar la segunda capa, CS, ahora se pueden detectar «.

El equipo de investigación evaluó la nueva arquitectura en el dominio de la tomografía computarizada (TC), utilizando 8.277 instrucciones de TC grabadas y evaluó la capa de CF utilizando 14 algoritmos diferentes de detección de anomalías sin supervisión. Luego evaluaron la capa CS para cuatro tipos diferentes de contextos objetivos clínicos, utilizando cinco algoritmos de clasificación supervisados ​​para cada contexto.

La adición de la segunda capa CS a la arquitectura mejoró el rendimiento general de detección de anomalías desde una puntuación F1 del 71,6 por ciento, utilizando solo la capa CF, a entre el 82 y el 99 por ciento, según el objetivo clínico o la parte del cuerpo. La capa CS también permite la detección de anomalías CS, utilizando la semántica del procedimiento del dispositivo, un tipo de anomalía que no se puede detectar utilizando solo la capa CF.

Mahler es un Ph.D. candidato bajo la supervisión de BGU Profs. Yuval Elovici y el Prof. Yuval Shahar en el Departamento de Ingeniería de Software y Sistemas de Información de BGU (SISE). Además de Shahar y Elovici, el Dr. Erez Shalom, también investigador principal del Centro de Investigación en Informática Médica, participó en el estudio.

Publicaciones relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba
Cerrar