Se diseñó un modelo de aprendizaje profundo para prevenir los ciberataques en la imagenología médica

Los dispositivos de imagenología médica, como las máquinas de rayos X, de mamografía, de resonancia magnética y de tomografía computarizada, desempeñan un papel crucial en el diagnóstico y tratamiento. Dado que estos dispositivos suelen estar conectados a redes de hospitales, pueden ser potencialmente susceptibles a ataques cibernéticos sofisticados, incluidos ataques de ransomware que pueden deshabilitar las máquinas. Debido a su rol crítico en la sala de emergencias, los dispositivos de TC pueden enfrentar el mayor riesgo de ataque cibernético. Los investigadores y los expertos en ciberseguridad han comenzado a examinar formas de mitigar el riesgo de ataques cibernéticos en la imagenología médica antes de que se conviertan en un peligro real.

En el primer estudio presentado en la RSNA 2018, los investigadores de la Universidad Ben-Gurión del Negev identificaron áreas de vulnerabilidad y formas de aumentar la seguridad en los equipos de TC. Demostraron cómo un pirata informático podría pasar por alto los mecanismos de seguridad de una máquina de TC para manipular su comportamiento. Dado que la TC utiliza radiación ionizante, los cambios en la dosis podrían afectar negativamente la calidad de la imagen o, en casos extremos, incluso dañar al paciente. Los investigadores han desarrollado un sistema para la detección de anomalías utilizando varios métodos avanzados de aprendizaje automático y de aprendizaje profundo, con datos de entrenamiento que consisten en comandos reales grabados desde dispositivos reales. El modelo aprende a reconocer los comandos normales y a predecir si un comando nuevo que no se ve es legítimo o no. Si un atacante envía un comando malicioso al dispositivo, el sistema lo detectará y alertará al operador antes de que se ejecute el comando.

“En la fase actual de nuestra investigación, nos centramos en el desarrollo de soluciones para prevenir tales ataques con el fin de proteger los dispositivos médicos”, dijo Tom Mahler, Ph.D., candidato y profesor asistente en la Universidad Ben-Gurión del Negev. “Nuestra solución controla los comandos salientes del dispositivo antes de que se ejecuten y alertará y posiblemente se detendrá, si detecta anomalías”.

“En seguridad cibernética, es mejor tomar el modelo de protección 'cebolla' y construir la protección por capas”, agregó Mahler. “Los esfuerzos anteriores en esta área se han centrado en asegurar la red del hospital. Nuestra solución está orientada a los dispositivos, y nuestro objetivo es ser la última línea de defensa para los dispositivos de imagenología médica”.

En el segundo estudio presentado en la RSNA de este año, un equipo de investigadores suizos examinó la posibilidad de alterar los resultados de las mamografías. Los investigadores entrenaron una red adversarial generativa de ciclo consistente (CycleGAN), un tipo de aplicación de inteligencia artificial, en 680 imágenes mamográficas de 334 pacientes, para convertir imágenes que muestran cáncer en sanas y hacer lo mismo, a la inversa, para las imágenes de control normales. Su objetivo era determinar si un CycleGAN podía insertar o eliminar características específicas del cáncer en las mamografías de una manera realista. Las imágenes se presentaron a tres radiólogos, quienes las revisaron e indicaron si pensaban que las imágenes eran genuinas o modificadas. Ninguno de los radiólogos pudo diferenciar de manera confiable entre las dos.

“Como médicos, es nuestro deber moral proteger primero a nuestros pacientes de cualquier daño”, dijo Anton S. Becker, M.D, residente de radiología en el Hospital Universitario de Zúrich y ETH Zúrich, en Suiza. “Por ejemplo, como radiólogos estamos acostumbrados a proteger a los pacientes de la radiación innecesaria. Cuando las redes neuronales u otros algoritmos inevitablemente encuentran su camino en nuestra rutina clínica, necesitaremos aprender cómo proteger a nuestros pacientes de cualquier efecto secundario no deseado de estos también”.



Enlace relacionado: