Une nouvelle technique d'intelligence artificielle pourrait protéger les dispositifs médicaux contre les cyberattaques

Des chercheurs de l’Université Ben-Gurion en Israël ont développé une nouvelle méthode basée sur l’intelligence artificielle qui pourrait protéger les dispositifs médicaux tels que la tomodensitométrie (scanographie), l’IRM (imagerie par résonance magnétique) et les échographes contre les activités malveillantes, les erreurs humaines et les bugs logiciels.

Selon Tom Mahler, chercheur principal de l’université, les dispositifs médicaux contrôlés par des instructions envoyées à partir d’un ordinateur hôte pourraient être ciblés par des menaces extérieures pouvant nuire aux patients. Par exemple, une instruction anormale envoyée à un appareil de tomodensitométrie pourrait entraîner une surexposition aux radiations pour les patients, ou une manipulation des images médicales dans le cas des IRM et des échographes.

Dans le document de recherche «Une architecture à double couche pour la protection des dispositifs médicaux contre les instructions anormales», Mahler présente une technique qui utilise l’intelligence artificielle (IA) pour analyser les instructions envoyées d’un PC hôte aux composants physiques des dispositifs médicaux à l’aide d’une nouvelle architecture pour détecter les instructions anormales.

“Nous avons développé une architecture à double couche pour la protection des dispositifs médicaux contre les instructions anormales”, a déclaré Mahler. “L’architecture se concentre sur la détection de deux types d’instructions anormales: (1) des instructions anormales sans contexte (CF) qui sont des valeurs improbables ou des instructions telles que donner 100 fois plus de rayonnement que la normale, et (2) des instructions anormales sensibles au contexte (CS) , qui sont des valeurs normales ou des combinaisons de valeurs, des paramètres d’instruction, mais qui sont considérées comme anormales par rapport à un contexte particulier, comme une incompatibilité avec le type de scan prévu ou une incompatibilité avec l’âge, le poids ou le diagnostic potentiel du patient.”

“Par exemple, une instruction normale destinée à un adulte peut être dangereuse [anormale] si elle est appliquée à un nourrisson”, a ajouté Mahler. “De telles instructions peuvent être mal classées si vous n’utilisez que la première couche CF; cependant, en ajoutant la deuxième couche, CS, ils peuvent maintenant être détectés.”

Les chercheurs ont analysé leur architecture proposée en tomodensitométrie à l’aide de 8 277 instructions CT enregistrées, évaluant la couche sans contexte (CF) en appliquant 14 algorithmes de détection d’anomalies non supervisés. La deuxième phase a évalué la fonction contextuelle (couche) pour quatre types de contextes objectifs cliniques en utilisant cinq algorithmes de classification supervisée pour chaque contexte.