تشخیص ناهنجاری در داده‌های اینترنت اشیای پزشکی (IoMT) با بهره‌گیری از یادگیری ماشین قابل‌توضیح

تشخیص ناهنجاری در داده‌های اینترنت اشیای پزشکی (IoMT) با بهره‌گیری از یادگیری ماشین قابل‌توضیح

مهلا برات پور1 حسن عبداللهی2

1) کارشناس ارشد انفورماتیک پزشکی.
2) کارشناس ارشد مدیریت خدمات بهداشتی درمانی

کد IOI مقاله : AAHD-ABGHZE
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    اینترنت اشیاء پزشکی (IoMT) به عنوان یکی از زیرساخت‌های اصلی تحول دیجیتال در نظام سلامت، امکان پایش مستمر بیماران و جمع‌آوری داده‌های زیستی را از طریق تجهیزات متصل فراهم ساخته است. با وجود مزایای گسترده این فناوری در بهبود تشخیص، درمان و مراقبت، وابستگی آن به بسترهای شبکه‌ای، زمینه را برای بروز انواع تهدیدات سایبری فراهم کرده است. از این‌رو، تشخیص ناهنجاری در داده‌های IoMT به عنوان رویکردی راهبردی برای شناسایی رفتارهای غیرعادی و کاهش مخاطرات امنیتی و بالینی، اهمیت فزاینده‌ای یافته است. پژوهش حاضر با هدف ارائه چارچوبی مفهومی برای تشخیص ناهنجاری در محیط IoMT، رویکردی مبتنی بر تلفیق یادگیری عمیق و هوش مصنوعی قابل‌توضیح (XAI) پیشنهاد می‌کند. در این چارچوب، از داده‌های شبیه‌سازی‌شده مبتنی بر الگوهای سیگنال‌های حیاتی و داده‌های حسگرهای محیطی استفاده شده است تا شرایط نرمال، نویزی و ناهنجار به صورت کنترل‌شده بازنمایی شوند. هسته اصلی سامانه، یک مدل خودرمزگذار است که با یادگیری بازنمایی فشرده از الگوهای نرمال، ناهنجاری‌ها را بر اساس خطای بازسازی شناسایی می‌کند. همچنین، به منظور افزایش شفافیت در تصمیم‌گیری مدل، از روش SHAP برای تبیین سهم ویژگی‌ها در ایجاد هشدار بهره گرفته شده است. نتایج ارزیابی مفهومی نشان می‌دهد که چارچوب پیشنهادی در مقایسه با برخی روش‌های مرجع، از توان بالاتری در بازنمایی الگوهای غیرخطی، پایداری در برابر نویز و کاهش هشدارهای کاذب برخوردار است. افزون بر این، استفاده از XAI موجب ارتقای تفسیرپذیری سامانه و افزایش قابلیت اعتماد آن در کاربردهای حساس پزشکی و امنیتی می‌شود.

کلمات کلیدی : اینترنت اشیای پزشکی (iomt) تشخیص ناهنجاری در داده‌های سری‌زمانی خودرمزگذار (autoencoder) هوش مصنوعی قابل‌توضیح (xai) امنیت سایبری