CIBERATAQUES a Equipos de IMÁGENES MÉDICAS

El problema de los ciber ataques a equipos de imágenes médicas. Proponen una nueva técnica

 

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.

Las instrucciones anormales o anómalas presentan muchas amenazas potencialmente dañinas para los pacientes. Estas pueden ser 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 errores de configuración de un técnico o errores de software de la PC.

Una nueva técnica de inteligencia artificial protegerá los dispositivos médicos contra operativas maliciosas en un ciberataque. Lo mismo para con otros errores humanos y del sistema.

El investigador, Tom Mahler, presentará su investigación, “una arquitectura de doble capa para la protección de dispositivos médicos frente a instrucciones anómalas” el 26 de agosto en la Conferencia Internacional 2020 sobre Inteligencia Artificial en Medicina (AIME 2020).

Como parte de su Ph.D. En su investigación, Mahler ha desarrollado una técnica mediante inteligencia artificial que analiza las instrucciones enviadas desde el PC. Revisa 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 contra instrucciones anómalas”, dice Mahler.

 

Ciber ataques a equipos de imágenes médicas.
“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. (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. Por ejemplo no coincidir con el tipo de exploración deseado o no coincidir con la edad, el peso o el diagnóstico potencial del paciente.

“Otro ejemplo, una instrucción normal destinada a un adulto podría ser peligrosa [anómala] si se aplica a un bebé. Estas instrucciones pueden clasificarse erróneamente cuando se usa 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. Evaluó la capa de CF utilizando 14 algoritmos diferentes de detección de anomalías sin supervisión y Luego evaluaron la capa CS para cuatro tipos diferentes de contextos objetivos clínicos. Utilizaron 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%, utilizando solo la capa CF, a entre 82% y 99%, según el objetivo clínico o la parte del cuerpo. Además, la capa CS 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.

LatamIsrael

 

Deja una respuesta

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