<button id="63tt5"><kbd id="63tt5"><meter id="63tt5"></meter></kbd></button>
<progress id="63tt5"><track id="63tt5"></track></progress>
  • <rp id="63tt5"></rp>

  • <tbody id="63tt5"></tbody>

    <li id="63tt5"><acronym id="63tt5"></acronym></li>
    <li id="63tt5"><acronym id="63tt5"></acronym></li>
    <th id="63tt5"></th>

    <em id="63tt5"><acronym id="63tt5"></acronym></em>
  • 生物科學門戶網站
    BIO1000.COM

    本古里安大學研究人員提出的防止影像網絡威脅的新技術

    以色列BEER-SHEVA,2020年8月25日-內蓋夫本古里安大學的研究人員開發了一種新的人工智能技術,該技術將保護醫療設備免受網絡攻擊中的惡意操作指令以及其他人為和系統錯誤的影響。

    BGU研究人員湯姆·馬勒(Tom Mahler)將于8月26日在2020年國際醫學人工智能大會(AIME 2020)上發表他的研究“用于保護醫療設備免受異常指令的雙層架構”。Mahler是一名博士學位。在BGU教授監督下的候選人。BGU軟件和信息系統工程系(SISE)的Yuval Elovici和Yuval Shahar教授。

    復雜的醫療設備,例如CT(計算機斷層掃描),MRI(磁共振成像)和超聲波機器,均由主機PC發送的指令控制。異?;虍惓5恼f明會給患者帶來許多潛在的有害威脅,例如輻射過度暴露,設備組件的操縱或醫學圖像的功能操縱。由于網絡攻擊,人為錯誤(例如技術人員的配置錯誤或主機PC軟件錯誤),可能會發生威脅。

    作為他的博士學位的一部分通過研究,馬勒開發了一種使用人工智能的技術,該技術使用新的體系結構來分析從PC發送到物理組件的指令,以檢測異常指令。

    “我們開發了一種雙層結構來保護醫療設備免受異常指令的影響,”馬勒說。“該體系結構著重于檢測兩種類型的異常指令:(1)上下文無關(CF)異常指令,它們是不太可能出現的值或指令,例如發出比普通輻射多100倍的輻射;以及(2)上下文相關(CS)異常指令,它們是指令參數的正常值或值的組合,但是相對于特定上下文被認為是異常的,例如與預期的掃描類型不匹配,或者與患者的年齡,體重或潛在診斷不匹配。

    “例如,如果對嬰兒使用常規的成人指令,可能會很危險。如果僅使用第一層CF,則此類指令可能會被誤分類;但是,通過添加第二層CS,它們可能會被誤分類?,F在可以被檢測到。”

    鄭重聲明:本文版權歸原作者所有,轉載文章僅為傳播更多信息之目的,如作者信息標記有誤,請第一時間聯系我們修改或刪除,多謝。

    美女裸体无遮挡免费视频在线观看,国产激情无码一区二区,欧美 日产 国产精选,无码人妻丰满熟妇区