Des chercheurs de l'Université Ben-Gourion du Néguev ont développé une nouvelle technique d'intelligence artificielle qui protégera les dispositifs médicaux contre les instructions de fonctionnement malveillantes lors d'une cyberattaque ainsi que d'autres erreurs humaines et système.
Le chercheur du BGU, Tom Mahler, présentera sa recherche, « Une architecture à double couche pour la protection des dispositifs médicaux contre les instructions anormales » le 26 août lors de la Conférence internationale 2020 sur l'intelligence artificielle en médecine (AIME 2020).
Mahler est titulaire d'un doctorat. candidat sous la supervision de BGU Profs. Yuval Elovici et le professeur Yuval Shahar du département d'ingénierie des logiciels et des systèmes d'information (SISE) du BGU.
Les appareils médicaux complexes tels que la tomodensitométrie (tomodensitométrie), l'IRM (imagerie par résonance magnétique) et les appareils à ultrasons sont contrôlés par des instructions envoyées depuis un ordinateur hôte.
Des instructions anormales ou anormales présentent de nombreuses menaces potentiellement dangereuses pour les patients, telles que la surexposition aux radiations, la manipulation des composants de l'appareil ou la manipulation fonctionnelle d'images médicales. Des menaces peuvent survenir en raison de cyberattaques, d'erreurs humaines telles qu'une erreur de configuration d'un technicien ou de bogues du logiciel du PC hôte.
Dans le cadre de son doctorat. recherche, Mahler a développé une technique utilisant l'intelligence artificielle qui analyse les instructions envoyées du PC aux composants physiques en utilisant une nouvelle architecture pour la détection d'instructions anormales.
«Nous avons développé une architecture à double couche pour la protection des dispositifs médicaux contre les instructions anormales», explique Mahler. « L'architecture se concentre sur la détection de deux types d'instructions anormales: (1) des instructions anormales sans contexte (CF) qui sont des valeurs improbables ou des instructions telles que donner 100 fois plus de rayonnement que la normale, et (2) des instructions anormales sensibles au contexte (CS) , qui sont des valeurs normales ou des combinaisons de valeurs, des paramètres d'instruction, mais qui sont considérées comme anormales par rapport à un contexte particulier, comme une incompatibilité avec le type de scan prévu ou une incompatibilité avec l'âge, le poids ou le diagnostic potentiel du patient.
« Par exemple, une instruction normale destinée à un adulte peut être dangereuse (anormale) si elle est appliquée à un nourrisson. De telles instructions peuvent être mal classées si vous n'utilisez que la première couche CF. Cependant, en ajoutant la deuxième couche CS, elles peut maintenant être détecté. «
L'équipe de recherche a évalué la nouvelle architecture dans le domaine de la tomodensitométrie (CT), en utilisant 8 277 instructions CT enregistrées et a évalué la couche CF à l'aide de 14 algorithmes de détection d'anomalies non supervisés différents.
Ensuite, ils ont évalué la couche CS pour quatre types différents de contextes cliniques objectifs, en utilisant cinq algorithmes de classification supervisée pour chaque contexte.
L'ajout de la deuxième couche CS à l'architecture a amélioré les performances globales de détection des anomalies d'un score F1 de 71,6%, en utilisant uniquement la couche CF, à entre 82% et 99%, selon l'objectif clinique ou la partie du corps. De plus, la couche CS permet la détection des anomalies CS, en utilisant la sémantique de la procédure de l'appareil, un type d'anomalie qui ne peut pas être détecté en utilisant uniquement la couche CF.
La source:
