ترجمه فارسی مقاله ایمن‌سازی تشخیص تصویربرداری پزشکی: تحلیل عمیق حملات مقاوم در برابر هوش مصنوعی

چکیده

Machine learning (ML) is a rapidly developing area of medicine that uses significant resources to apply computer science and statistics to medical issues. ML’s proponents laud its capacity to handle vast, complicated, and erratic medical data. It’s common knowledge that attackers might cause misclassification by deliberately creating inputs for machine learning classifiers. Research on adversarial examples has been extensively conducted in the field of computer vision applications. Healthcare systems are thought to be highly difficult because of the security and life-or-death considerations they include, and performance accuracy is very important. Recent arguments have suggested that adversarial attacks could be made against medical image analysis (MedIA) technologies because of the accompanying technology infrastructure and powerful financial incentives. Since the diagnosis will be the basis for important decisions, it is essential to assess how strong medical DNN tasks are against adversarial attacks. Simple adversarial attacks have been taken into account in several earlier studies. However, DNNs are susceptible to more risky and realistic attacks. The present paper covers recent proposed adversarial attack strategies against DNNs for medical imaging as well as countermeasures. In this study, we review current techniques for adversarial imaging attacks, detections. It also encompasses various facets of these techniques and offers suggestions for the robustness of neural networks to be improved in the future.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین (ML) یک منطقه در حال توسعه پزشکی است که از منابع قابل توجهی برای استفاده از علوم کامپیوتر و آمار در مسائل پزشکی استفاده می کند.طرفداران ML از ظرفیت خود برای مدیریت داده های پزشکی گسترده ، پیچیده و نامنظم استفاده می کنند.این دانش رایج است که مهاجمان ممکن است با ایجاد عمدی ورودی برای طبقه بندی کننده های یادگیری ماشین ، باعث ایجاد نادرست شوند.تحقیقات در مورد نمونه های مخالف در زمینه برنامه های دید رایانه به طور گسترده انجام شده است.تصور می شود سیستم های بهداشت و درمان به دلیل امنیت و ملاحظات زندگی یا مرگ مورد نظر بسیار دشوار هستند و دقت عملکرد بسیار مهم است.استدلال های اخیر حاکی از آن است که به دلیل زیرساخت های فناوری همراه و مشوق های مالی قدرتمند ، می توان حملات مخالف را علیه فناوری های تجزیه و تحلیل تصویر پزشکی (رسانه) انجام داد.از آنجا که این تشخیص پایه و اساس تصمیمات مهم خواهد بود ، ارزیابی چگونگی انجام وظایف پزشکی DNN در برابر حملات مخالف ضروری است.حملات مخالف ساده در چندین مطالعه قبلی مورد توجه قرار گرفته است.با این حال ، DNN ها مستعد حملات خطرناک تر و واقع گرایانه هستند.مقاله حاضر شامل استراتژی های حمله مخالف پیشنهادی اخیر علیه DNN برای تصویربرداری پزشکی و همچنین اقدامات متقابل است.در این مطالعه ، ما تکنیک های فعلی برای حملات تصویربرداری مخالف ، تشخیص را مرور می کنیم.همچنین جنبه های مختلف این تکنیک ها را در بر می گیرد و پیشنهاداتی را برای استحکام شبکه های عصبی در آینده ارائه می دهد.