Ataques Adversariais em Modelos de Diagnóstico por Imagem Médica e Suas Técnicas de Mitigação

Nos últimos anos, modelos de aprendizado profundo (DL) tornaram-se integrais em diversos setores, revolucionando nossas vidas diárias e fluxos de trabalho. Particularmente na área da saúde, o DL promoveu uma mudança de paradigma no diagnóstico médico através de capacidades inovadoras de análise de imagem. Essas ferramentas computacionais oferecem precisão e velocidade excepcionais, aprimorando significativamente a precisão diagnóstica e facilitando a detecção precoce de doenças. No entanto, a adoção ampla e a dependência desses modelos abriram a porta para novas formas de vulnerabilidades, notadamente ataques adversariais. No contexto do diagnóstico por imagem médica, os ataques adversariais representam uma ameaça alarmante. Eles podem manipular os modelos diagnósticos a interpretar erroneamente os dados de imagem, levando a falsos positivos ou negativos. Esses erros podem resultar em diagnósticos incorretos, tratamento atrasado ou intervenções desnecessárias, afetando a segurança do paciente e a qualidade geral dos cuidados de saúde. Este projeto explora o cenário dos ataques adversariais no contexto do diagnóstico por imagem médica. Este estudo analisa estratégias populares de ataques adversariais. Um Modelo EfficientNet B0 de Rede Neural Convolucional (CNN) treinado para categorizar imagens de IRM cerebral de Alzheimer é submetido ao ataque de Perturbação Vertical, Método de Sinal de Gradiente Rápido (FGSM) e ataque Quadrado. Em seguida, aborda uma das abordagens de defesa adversarial mais comuns, o treinamento adversarial. O desempenho do modelo que foi treinado em instâncias adversariais é testado contra os ataques descritos anteriormente, e recomendações para melhorar a robustez da rede neural são, portanto, fornecidas com base nas conclusões do experimento.