医疗影像AI辅助诊断系统的对抗样本攻击防御与鲁棒性增强.docxVIP

PAGE2

《医疗影像AI辅助诊断系统的对抗样本攻击防御与鲁棒性增强》

一、调研概述

1.1调研背景与目的

随着深度学习在肺结节检测、脑肿瘤分割及骨折识别等医学影像任务中达到甚至超越放射科医师的精确度，AI辅助诊断系统正从实验室快速走向临床一线。

然而，多项研究表明，针对自然图像的微小扰动即可使深度学习模型产生高置信度的错误输出。这一特性在关乎生命安全的医疗领域引发了严重的信任危机与监管担忧。

本报告聚焦于对抗样本攻击在CT与MRI影像中的物理可实现性，系统评估恶意扰动从数字空间向物理世界迁移的威胁路径。研究范围覆盖攻击者可能通过篡改医学成像设备固件、注入PACS系统噪声或更换成像参数等方式构建物理级对抗样本的场景。

调研的核心目的在于，深入分析以扩散模型为代表的输入净化技术，以及基于随机平滑的认证防御机制在医疗影像安全中的落地潜力。通过构建防御技术的成本效益模型，为医疗AI供应商与监管机构提供可量化的安全加固决策依据，从而在保障患者安全的前提下推动智能医疗的健康发展。

1.2研究范围与方法

本报告的研究范围限定于基于深度学习的医学影像辅助诊断系统，重点关注CT断层扫描与MRI磁共振成像两大模态下的对抗攻击与防御技术。研究在时间维度上覆盖2019年至2024年的技术演进。

在攻击侧，我们着重分析从数字梯度攻击向物理贴片攻击、激光投影攻击、设备参数篡改攻击的演进路径。在防御