مرور روشهای تشخیص ناهنجاری در اینترنت اشیاء پزشکی مبتنی بر یادگیری ماشین، یادگیری عمیق و رویکردهای ترکیبی

رشد اینترنت اشیاء پزشکی علیرغم ایجاد تحول در مراقبتهای سلامت از راه دور سطح حمله را به طور چشمگیری گسترش داده و دستگاه ها و داده های حیاتی بیماران را در معرض تهدیدات سایبری متنوعی قرار داده است. در این میان تشخیص ناهنجاری به عنوان یک راهبرد دفاعی اساسی برای مقابله با حملات سایبری و اختلالات عملکردی در اکوسیستم اینترنت اشیاء پزشکی ایفای نقش می کند. این مقاله به مرور روش های تشخیص ناهنجاری در اینترنت اشیاء پزشکی اختصاص دارد و رویکردهای مبتنی بر یادگیری ماشین، یادگیری عمیق و راهکارهای ترکیبی را در شش طبقه اصلی شامل یادگیری عمیق، یادگیری فدرال و غیر متمرکز، رویکرد های تحت نظارت و گروهی، روش های بدون نظارت و خودرمزگذار، رویکردهای داده محور و زیرساختی و رویکردهای ترکیبی مورد تحلیل قرار می دهد. یافته های حاصل از مرور مطالعات اخیر نشان می دهد که معماری های جدید نظیر تلفیق ترانسفورماتور با شبکه های گراف کانولوشن و مدل های گراف محور، با مدل سازی همزمان روابط توپولوژیکی و وابستگی های زمانی توانسته اند دقت تشخیص را در مواجهه با حملات نادر و پیچیده ارتقا دهند. در مقابل، روش های یادگیری فدرال با تاکید بر حفظ حریم خصوصی و کاهش مصرف پهنای باند گام مهمی در جهت غیر متمرکزسازی امنیت برداشته اند. با این حال تحلیل نقاط ضعف روش های موجود حاکی از شکاف های پژوهشی قابل توجهی نظیر عدم استقرار در محیط های بالینی واقعی، فقدان بهینه سازی برای دستگاه های لبه با محدودیت منابع و نبود مجموعه داده های استاندارد و جامع پوشش دهنده حملات ترکیبی و روز صفر است.

کلیدواژه ها:

اینترنت اشیاء ، پزشکی ، تشخیص ناهنجاری ، یادگیری ماشین ، یادگیری عمیق