บทความวิจัยเชิงลึก

ปกป้องอนาคตของปัญญาประดิษฐ์ทางคลินิกอัตโนมัติ

บทความเชิงเทคนิคเกี่ยวกับความทนทานต่อการโจมตีแบบปรปักษ์ในการถ่ายภาพทางการแพทย์ การเรียนรู้แบบกระจายศูนย์ และความปลอดภัยระดับเคอร์เนลสำหรับท่อส่งข้อมูลปัญญาประดิษฐ์ทางคลินิก

บทความล่าสุด

ดูทั้งหมด →
·ระบบ ML และความเป็นส่วนตัว

การเรียนรู้แบบกระจายศูนย์ที่รักษาความเป็นส่วนตัวในเครือข่ายโรงพยาบาล: การบรรเทาการโจมตีแบบ Gradient Inversion

การแบ่งปันเกรเดียนต์พารามิเตอร์ดิบในการเรียนรู้แบบกระจายศูนย์ข้ามโรงพยาบาลไม่รับประกันความเป็นส่วนตัวของผู้ป่วย: การทำ Gradient Inversion ด้วยวิธีเชิงออปติไมเซชันสามารถสร้างภาพรังสีทรวงอกและภาพตัดเชิงปริมาตรขึ้นใหม่ได้ เราอนุมานการรับประกัน Rényi Differential Privacy (RDP) ที่แน่น พร้อมการตัดเกรเดียนต์แบบปรับตัว

3 นาที
·ความมั่นคงปลอดภัยไซเบอร์

การจำกัดสิทธิ์ที่ปลอดภัยต่อหน่วยความจำและการตรวจสอบรันไทม์ด้วย eBPF สำหรับการประมวลผลปัญญาประดิษฐ์และเอเจนต์ที่ไม่เชื่อถือ

ท่อส่งข้อมูลปัญญาประดิษฐ์ทางคลินิกและเอเจนต์รักษาความปลอดภัยอัตโนมัติมักแยกวิเคราะห์รูปแบบไบนารีที่ไม่เชื่อถือ (DICOM, NIfTI, ONNX, safetensors) และเรียกใช้ไลบรารีเนทีฟ C/C++ เราออกแบบแซนด์บ็อกซ์ Linux แบบ Zero-Trust ที่รวม Rust Landlock LSM เข้ากับการบังคับใช้ผ่าน LSM eBPF ring-buffer

3 นาที
·ปัญญาประดิษฐ์ทางการแพทย์

ความทนทานต่อการโจมตีแบบปรปักษ์ในการถ่ายภาพทางการแพทย์ 3 มิติ: ปกป้อง Vision Transformer จากการรบกวนที่ตรวจไม่พบ

โมเดลแบ่งส่วนภาพ 3D Swin-UNETR เชิงปริมาตรทำคะแนน Dice ระดับแพทย์ผู้เชี่ยวชาญบนภาพ MRI สมองแบบมัลติมอดัล ทว่ายังเปราะบางภายใต้การรบกวน L-infinity ที่ต่ำกว่าสัญญาณรบกวนความร้อนของเซนเซอร์ เราอนุมานความสนใจเชิงปริมาตรที่ถูกจำกัดด้วยค่าคงตัวลิปชิตซ์ และประเมินขอบเขตการปรับให้เรียบแบบมีใบรับรอง

4 นาที

ซีรีส์วิจัย

ดูทั้งหมด →

รักษาความปลอดภัยท่อส่งข้อมูลปัญญาประดิษฐ์ทางคลินิก: จากการรับเข้า DICOM สู่การอนุมานโมเดล

3 ตอน

งานเขียนเชิงเทคนิค 3 ส่วนที่วิเคราะห์เวกเตอร์ภัยคุกคามแบบครบวงจรในการใช้งานปัญญาประดิษฐ์ในโรงพยาบาล: ปกป้องโมเดลวิสัยทัศน์เชิงปริมาตร 3 มิติจากการรบกวนแบบปรปักษ์ จำกัดสิทธิ์รันไทม์การอนุมานที่ไม่เชื่อถือด้วย eBPF และป้องกันการรั่วไหลของ Gradient ในการฝึกแบบกระจายศูนย์

00ความทนทานต่อการโจมตีแบบปรปักษ์ในการถ่ายภาพทางการแพทย์ 3 มิติ: ปกป้อง Vision Transformer จากการรบกวนที่ตรวจไม่พบ
01การจำกัดสิทธิ์ที่ปลอดภัยต่อหน่วยความจำและการตรวจสอบรันไทม์ด้วย eBPF สำหรับการประมวลผลปัญญาประดิษฐ์และเอเจนต์ที่ไม่เชื่อถือ
02การเรียนรู้แบบกระจายศูนย์ที่รักษาความเป็นส่วนตัวในเครือข่ายโรงพยาบาล: การบรรเทาการโจมตีแบบ Gradient Inversion

ผลงานวิจัย

ดูทั้งหมด →
·ปัญญาประดิษฐ์ทางการแพทย์

Lipschitz-Swin3D: การแบ่งส่วนภาพ MRI เชิงปริมาตรที่ทนทานต่อการโจมตีแบบปรปักษ์

สถาปัตยกรรม 3D Swin-UNETR ที่ทำให้นอร์มเป็นสเปกตรัม พร้อมการปรับให้เรียบแบบสุ่มที่มีใบรับรอง สำหรับการแบ่งส่วนเนื้องอกสมอง (BraTS) และอวัยวะในภาพ CT ทรวงอกภายใต้การโจมตี PGD

Robust WT Dice 0.831 @ eps=2/255 (BraTS 2026)
PyTorchMONAICUDA3D ViT
·ความมั่นคงปลอดภัยไซเบอร์

Aegis-BPF: แซนด์บ็อกซ์รันไทม์ eBPF LSM สำหรับการอนุมานปัญญาประดิษฐ์และเกตเวย์ DICOM

เดมอนกักกันเคอร์เนล Linux แบบ Zero-Trust ที่ใช้ตะขอ eBPF LSM เทเลเมทรีทางนิติวิทยาศาสตร์แบบ ring-buffer และ Rust Landlock เพื่อแยกเอเจนต์ปัญญาประดิษฐ์และตัวแยกวิเคราะห์ภาพทางการแพทย์ที่ไม่เชื่อถือ

Overhead ซิสคอล <0.4% | ป้องกัน RCE หลังเริ่มทำงานและการเชื่อมต่อออก
RusteBPF / AyaLinux LSMLandlock
·ความเป็นส่วนตัวและระบบ

FedMed-DP: การฝึกโรงพยาบาลแบบกระจายศูนย์ด้วยความเป็นส่วนตัวเชิงดิฟเฟอเรนเชียลแบบ Rényi

ไลบรารีประสิทธิภาพสูงสำหรับการเรียนรู้แบบกระจายศูนย์ทางคลินิกหลายศูนย์ พร้อมการตัดเกรเดียนต์รายตัวอย่าง การบัญชี Rényi DP และการตรวจสอบ Gradient Inversion แบบโคไซน

(eps = 1.8, delta = 1e-5)-DP บน 12 โหนดทางคลินิก
PythonOpacusgRPC / mTLSDifferential Privacy