抗对抗攻击的基于图的WSI学习

增强深度学习模型对抗对抗攻击的鲁棒性至关重要，尤其是在医疗保健等关键领域，其中巨大的经济利益加剧了此类攻击的风险。全切片图像（WSI）是使用精密成像设备扫描的、固定在载玻片上的组织样本的高分辨率数字化版本。WSI 的数字分析因其十亿像素级大小和多分辨率存储格式而面临独特挑战。在这项工作中，我们旨在提高癌症 Gleason 分级系统对抗对抗攻击的鲁棒性，同时应对图像和图级别的挑战。就所提出的算法而言，我们开发了一种新颖且创新的基于图的模型，该模型利用图神经网络（GNN）从 WSI 的图表示中提取特征。模型中集成了一个去噪模块以及一个池化层，以管理对抗攻击对 WSI 的影响。该过程以一个 Transformer 模块结束，该模块根据处理后的数据对前列腺癌的不同级别进行分类。为了评估所提方法的有效性，我们使用两种场景进行了比较分析。首先，我们使用未受任何攻击的 WSI 训练和测试了不带去噪器的模型。然后，我们在图像或图级别引入一系列攻击，并通过所提出的网络进行处理。模型的性能根据准确率和 kappa 分数进行评估。比较结果显示，癌症诊断准确率有显著提高，突显了所提方法在处理医学成像背景下对抗挑战时的鲁棒性和效率。