3 статей
В исследовании представлен фреймворк APFA для федеративного обучения в сетях интернета медицинских вещей (IoMT). Метод позволяет эффективно объединять данные с различных устройств, решая проблемы вычислительной асимметрии и статистической неоднородности при сохранении конфиденциальности.
Статья представляет собой критический обзор и практический анализ применения методов искусственного интеллекта для обнаружения вторжений в системах интернета медицинских вещей (IoMT). Авторы рассматривают растущую угрозу кибератак на медицинские устройства, подключенные к сети, и подчеркивают ограниченность традиционных сигнатурных методов обнаружения вторжений. В работе систематизированы современные подходы на основе машинного и глубокого обучения, включая нейронные сети, ансамблевые методы и обучение с подкреплением, применяемые для выявления аномалий в сетевом трафике медицинских устройств. Особое внимание уделяется практическим аспектам внедрения таких систем: требованиям к вычислительным ресурсам, задержкам, энергопотреблению и совместимости с существующей медицинской инфраструктурой. Авторы анализируют доступные наборы данных для обучения моделей, такие как WUSTL-EHMS и другие, и обсуждают проблемы несбалансированности классов и дрейфа концепций в реальных условиях. В статье также рассматриваются вопросы регулирования и стандартов безопасности для медицинских устройств, включая требования FDA и GDPR. Критический анализ выявляет разрыв между академическими исследованиями и реальным внедрением, предлагая рекомендации по повышению надежности и интерпретируемости моделей ИИ для клинической практики. Авторы заключают, что гибридные подходы, сочетающие обнаружение аномалий с объяснимым ИИ, являются наиболее перспективным направлением для защиты медицинских данных и пациентов.
Согласно отчету компании Red Security, в первой половине 2026 года сектор здравоохранения столкнулся с беспрецедентным ростом киберугроз: количество целевых атак увеличилось почти в три раза по сравнению с аналогичным периодом прошлого года. Основными векторами атак стали использование уязвимостей в медицинском оборудовании (IoMT) и фишинг, направленный на получение доступа к конфиденциальным данным пациентов. Аналитики отмечают, что злоумышленники все чаще применяют автоматизированные инструменты на базе ИИ для обхода традиционных систем защиты. В результате инцидентов медицинские учреждения сталкиваются с риском остановки критически важных процессов и утечкой электронных медицинских карт. Исследование подчеркивает необходимость внедрения более продвинутых систем мониторинга и защиты инфраструктуры для предотвращения масштабных сбоев в оказании медицинской помощи.
