p Os pesquisadores descobriram mais motivos para se preocupar com as possibilidades de adulteração no ambiente médico. Vigilantes de segurança estão falando sobre o jornal, "CT-GAN:Malicious Tampering of 3-D Medical Imagery using Deep Learning, "que está no arXiv. Os autores são Yisroel Mirsky, Tom Mahler, Ilan Shelef e Yuval Elovici. p O software, projetado por especialistas do Centro de Pesquisa de Segurança Cibernética da Universidade Ben-Gurion, foi projetado para ver se um invasor poderia adulterar equipamentos de tomografia computadorizada e ressonância magnética para produzir resultados falsos sobre pacientes com tumores. As descobertas sugeridas por todos os meios, sim, a adulteração não era difícil de conseguir.

p The Washington Post publicou um artigo muito citado sobre o assunto, conforme explicava seus objetivos de pesquisa e observações. A reportagem disse que "os agressores podem ter como alvo um candidato presidencial ou outros políticos para enganá-los e fazê-los acreditar que têm uma doença grave e fazer com que desistam de uma corrida em busca de tratamento".

p Um crescimento adicionado aqui, um crescimento adicionado ali ... crescimentos falsos por meio de adulteração surgiram como mais um tipo de malware que a comunidade médica deve conhecer. Os radiologistas podem ser enganados por meio de malware para ver nódulos cancerosos falsos, em equipamentos de tomografia e ressonância magnética.

p O malware foi realmente criado por pesquisadores em Israel. Eles queriam explorar os pontos fracos de segurança em equipamentos de imagens médicas e redes que transmitem essas imagens.

p O malware dos pesquisadores pode ir para os dois lados - adicionando tumores falsos às varreduras ou removendo lesões e nódulos reais; a última manobra obviamente poderia resultar em falha no tratamento de pacientes com necessidade crítica de atenção oportuna.

p O malware alterou 70 imagens e conseguiu enganar três radiologistas, fazendo-os acreditar que os pacientes tinham câncer. Os pesquisadores usaram o câncer de pulmão como foco. Kim Zetter, The Washington Post , descreveu o teste. Três radiologistas - qualificados - foram enganados. Eles diagnosticaram mal as condições quase todas as vezes. Veja os números.

p "No caso de exames com nódulos cancerosos fabricados, os radiologistas diagnosticaram câncer 99 por cento das vezes. Nos casos em que o malware removeu nódulos cancerosos reais das varreduras, os radiologistas disseram que esses pacientes eram saudáveis ​​94 por cento do tempo. "

p Por sua vez, os resultados do estudo devem levar a comunidade médica a considerar o seguinte sobre o impacto potencial:os motivos dos invasores podem ser gerais ou direcionados. Eles podem simplesmente querer introduzir o caos e sobrecarregar o fluxo de trabalho com atenção ao equipamento que deu errado ou podem usar o malware para atingir pacientes específicos.

p Em seu jornal, os autores ofereceram uma lista sombria de possíveis gols se um atacante quisesse interferir nas varreduras. Os autores disseram, "mostramos como um invasor pode usar o aprendizado profundo para adicionar ou remover evidências de condições médicas de exames médicos volumétricos (3-D). Um invasor pode realizar esse ato para impedir um candidato político, sabotar a pesquisa, cometer fraude de seguro, realizar um ato de terrorismo, ou mesmo cometer assassinato. "

p Zetter também mencionou o possível cenário em que as varreduras de acompanhamento seriam confundidas para mostrar os tumores se espalhando ou diminuindo falsamente. O malware também pode ter efeitos adversos em testes de drogas e pesquisas médicas "para sabotar os resultados".

p O alto grau de sucesso do malware nos faz pensar como isso pode acontecer em ambientes hospitalares. Então de novo, para aqueles que já estão familiarizados com eventos anteriores, a questão da segurança não surpreende.

p A BBC News atualizou as memórias dos leitores. “Hospitais e outras organizações de saúde têm sido um alvo popular para ciberataques e muitos foram atingidos por ransomware malicioso que criptografa arquivos e só retorna os dados quando as vítimas pagam”. O relatório observou como "O NHS foi duramente atingido em 2017 pelo ransomware WannaCry, que deixou muitos hospitais lutando para recuperar dados."

p Por que o malware consegue passar por qualquer barreira de segurança? The Washington Post indicou que o problema pode ser atribuído aos equipamentos e redes que transmitem e armazenam imagens de TC e ressonância magnética.

p "Essas imagens são enviadas para estações de trabalho de radiologia e bancos de dados de back-end por meio do que é conhecido como sistema de comunicação e arquivamento de imagens (PACS). Mirsky disse que o ataque funciona porque os hospitais não assinam digitalmente os exames para evitar que sejam alterados sem detecção e não usam criptografia em suas redes PACS, permitindo que um intruso na rede veja as varreduras e as altere. "

p As redes PACS geralmente não são criptografadas. Outro problema potencial mencionado no artigo reside nos hospitais que se contentam com "infraestrutura de 20 anos" que não suporta tecnologias mais recentes.

p "Embora a criptografia esteja disponível para alguns softwares PACS agora, geralmente ainda não é usado por motivos de compatibilidade. Ele precisa se comunicar com sistemas mais antigos que não têm a capacidade de descriptografar ou recriptografar imagens, " disse The Washington Post .

p Observe que o título de seu trabalho de pesquisa tem a frase "GAN". Isso significa "um tipo especial de rede neural profunda, "a rede adversária geradora. Com GANs, você tem duas redes neurais trabalhando uma contra a outra:o gerador e o discriminador.

p "Neste artigo, apresentamos a possibilidade de um invasor modificar imagens médicas em 3-D usando aprendizado profundo. Nós ... apresentamos uma estrutura de manipulação (CT-GAN) que pode ser executada por um malware de forma autônoma."

p Além disso, "As imagens alteradas também conseguiram enganar os sistemas de triagem automatizados, "disse a BBC News.

p Contudo, de acordo com o artigo deles, "Ambos os radiologistas e IA são altamente suscetíveis aos ataques de adulteração de imagens do CT-GAN, "escreveram os autores. p © 2019 Science X Network