生物医学机器学习中的增强攻击

机器学习在生物医学研究中的普及正迅速增长，然而此类研究的可信度常被忽视。尽管先前一些工作研究了对抗攻击降低医学影像中模型性能的能力，但通过近期发展的“增强攻击”虚假提升性能的能力，可能对生物医学机器学习构成更大威胁。本着通过开发攻击以更好理解可信度的精神，我们发展了两种以最小特征改动大幅增强分类器预测性能的技术：1) 预测性能的一般性增强；2) 特定方法相对于另一方法的增强。我们的增强框架在保持原始数据与增强数据间高特征相似性（Pearson 相关系数 r > 0.99）的同时，将分类器准确率从 50% 虚假提升至近 100%。类似地，方法特异性增强框架能有效虚假提升一种方法相对于另一种方法的性能。例如，在我们的增强数据集上简单神经网络比逻辑回归高出 17%，尽管原始数据集中不存在性能差异。关键在于，原始与增强数据仍然相似（r = 0.99）。我们的结果证明了通过微小数据操纵实现任意期望预测性能的可行性，这为生物医学机器学习的未来提出了有趣的伦理挑战。这些发现强调需要更稳健的数据来源追踪及其他预防措施，以确保生物医学机器学习研究的完整性。