INTELIGENCIA ARTIFICIAL EN LA DETECCIÓN DE CÁNCER: CLASIFICACIÓN DE IMÁGENES MÉDICAS EVITANDO ATAQUES DE ENVENENAMIENTO DE DATOS.

Abstract

El aprendizaje automático y la visión artificial se han convertido a lo largo de los últimos años en un área clave para el paradigma de la informática actual. A diario vemos aplicaciones cada vez más complejas, desde la detección en tiempo real de señales de tráfico, al reconocimiento facial, pasando por el autodiagnóstico.

Esta evolución plantea constantes beneficios, a la par que, para los escépticos, y aquellos que se plantean la seguridad desde la fase de diseño, plantea muchas dudas. La visión artificial y el aprendizaje automático pueden acelerar mucho la fase de diagnóstico de un paciente, dentro de la rama de la salud esto es especialmente útil para casos donde se precisa de un diagnóstico temprano.

El objetivo de este trabajo fin de grado es desarrollar una red neuronal que sea capaz de clasificar imágenes histopatológicas de tejidos extraídos del colon y el pulmón, con el objetivo de diferenciar entre masas benignas y adenocarcinomas. Se presentan además los resultados de producir el entrenamiento bajo situaciones de "poisoning'' o envenenamiento, valorando el impacto y discutiendo los riesgos que la exposición de dichas herramientas a los atacantes puede ocasionar.

Para el desarrollo de este trabajo de fin de grado se ha trabajado sobre un conjunto de datos de 25000 imágenes histopatológicas, derivado del mismo conjunto de datos se realizará otro "envenenado'' para comparar resultados y extraer riesgos. En este escenario se plantean y analizan diversas hipótesis que deben cumplirse para poder vulnerar y/o manipular nuestra red neuronal.

Por último, se estudian contramedidas para evitar los ataques de envenenamiento más comunes en el estado del arte, evaluando su eficacia e implementación, resultando en un aumento de la eficacia en datos envenenados, mientras que la precisión se ve afectada negativamente para los modelos básicos.