科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来，利用静息态功能磁共振成像的脑功能网络分析已被广泛应用于各类脑疾病的计算机辅助诊断任务中。结合临床表型测量与脑功能网络构建的图卷积神经网络框架，提高了智能医学疾病诊断模型对现实世界的适用性。但是，基于脑功能网络的疾病诊断模型的可信度研究是一个重要但仍被广泛忽视的部分。对抗攻击技术在医疗机器学习中对模型的“欺骗”进一步引发了模型应用于临床实际中的安全与信任问题。基于此，在这项工作中，首次提出了一种面向脑疾病诊断的图卷积网络对抗攻击方法BFGCNattack,结合临床表型测量构建了疾病诊断模型，探索评估了智能诊断模型在面临对抗攻击时的鲁棒性。在自闭症脑成像数据集上的实验结果表明，使用图卷积网络构建的诊断模型在面临提出的对抗攻击时是脆弱的，即使只执行少量(10%)的扰动，模型的准确率和分类裕度均显著下降，同时愚弄率也显著提高。
- 单位
