CHUQUR NEYRON TARMOQLARIGA RAQOBATLI HUJUMLAR VA ULARNING BIOTIBBIY TASVIRLAR TAHLILIDAGI SAMARADORLIGI

Boltibayev Shuxratjon Komiljanovich; Axmedov Doniyor Akmaljon o‘g‘li

doi:10.5281/zenodo.20215521

25.04.2026

Oʻzbekcha

CHUQUR NEYRON TARMOQLARIGA RAQOBATLI HUJUMLAR VA ULARNING BIOTIBBIY TASVIRLAR TAHLILIDAGI SAMARADORLIGI

Nashr sanasi

25.04.2026

Jurnal

Sun'iy intellektni pedagogik ta'limga tadbiq etishning ustivor yo'nalishlari

Nashr

Sun'iy intellektni pedagogik ta'limga tadbiq etishning ustivor yo'nalishlari

Sahifalar

682-687

DOI

10.5281/zenodo.20215521

Mualliflar

Boltibayev Shuxratjon Komiljanovich , Axmedov Doniyor Akmaljon o‘g‘li

Annotatsiya

Ushbu maqolada zamonaviy tibbiy diagnostika tizimlarining asosi bo‘lgan chuqur neyron tarmoqlarining (CNN) raqobatli hujumlarga (adversarial attacks) nisbatan zaifligi tadqiq etilgan. Tadqiqot jarayonida turli arxitekturalardagi modellar (InceptionV3, ResNet50, DenseNet121 va boshqalar) biotibbiy ma’lumotlar to‘plamlari yordamida testdan o‘tkazilgan. Ishda PGD, DeepFool va CW kabi asosiy hujum algoritmlarining samaradorligi qiyosiy tahlil qilinib, hatto yuqori aniqlikdagi modellar ham inson ko‘zi ilg‘amaydigan minimal o‘zgarishlar (perturbatsiyalar) natijasida noto‘g‘ri xulosa berishi isbotlangan. Maqola yakunida tibbiy sun’iy intellekt tizimlarining kiber-bardoshliligini oshirish bo‘yicha raqobatli o‘qitish va kirish filtrlarini joriy etish kabi amaliy tavsiyalar berilgan.

Kalit so‘zlar

Chuqur o‘rganish raqobatli hujumlar biotibbiy tasvirlar neyron tarmoqlar turg‘unligi PGD DeepFool CW algoritmi kiber-bardoshlilik

Boshqa tillardagi variantlar

Русский

КОНКУРЕНТНЫЕ АТАКИ НА ГЛУБОКИЕ НЕЙРОННЫЕ СЕТИ И ИХ ЭФФЕКТИВНОСТЬ В АНАЛИЗЕ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ.

В данной статье исследуется уязвимость глубоких нейронных сетей (CNN), лежащих в основе современных медицинских диагностических систем, к атакам с использованием состязательных методов. В ходе исследования были протестированы модели с различными архитектурами (InceptionV3, ResNet50, DenseNet121 и др.) с использованием биомедицинских наборов данных. В работе представлен сравнительный анализ эффективности основных алгоритмов атак, таких как PGD, DeepFool и CW, и доказано, что даже высокоточные модели могут давать неверные выводы в результате минимальных изменений (возмущений), незаметных для человеческого глаза. В конце статьи даны практические рекомендации по повышению киберустойчивости медицинских систем искусственного интеллекта, такие как внедрение состязательного обучения и входных фильтров.

глубокое обучение атаки с использованием состязательных методов биомедицинские изображения стабильность нейронных сетей PGD DeepFool алгоритм CW

English

COMPETITIVE ATTACKS ON DEEP NEURAL NETWORKS AND THEIR EFFICIENCY IN BIOMEDICAL IMAGE ANALYSIS

This paper examines the vulnerability of deep neural networks (CNNs), which underlie modern medical diagnostic systems, to adversarial attacks. Models with various architectures (InceptionV3, ResNet50, DenseNet121, etc.) were tested using biomedical datasets. The paper presents a comparative analysis of the effectiveness of key attack algorithms, such as PGD, DeepFool, and CW, and demonstrates that even highly accurate models can generate incorrect conclusions due to minimal changes (perturbations) that are imperceptible to the human eye. The paper concludes with practical recommendations for improving the cyber resilience of medical artificial intelligence systems, such as the implementation of adversarial learning and input filters

deep learning adversarial attacks biomedical images neural network stability PGD DeepFool CW algorithm cyber resilience

Foydalanilgan adabiyotlar

1. Szegedy, C. Intriguing properties of neural networks [Matn] / C. Szegedy, W. Zaremba, I. Sutskever [va boshq.] // arXiv preprint arXiv:1312.6199. – 2013. – P. 1-10.

2. Goodfellow, I. Explaining and harnessing adversarial examples [Matn] / I. Goodfellow, J. Shlens, C. Szegedy // arXiv preprint arXiv:1412.6572v3. – 2015. – P. 1-11.

3. Moosavi-Dezfooli, S. M. DeepFool: a simple and accurate method to fool deep neural networks [Matn] / S. M. Moosavi-Dezfooli, A. Fawzi, P. Frossard // arXiv preprint arXiv:1511.04599v3. – 2015. – P. 1-9.

4. Madry, A. Towards deep learning models resistant to adversarial attacks [Matn] / A. Madry, A. Makelov, L. Schmidt [va boshq.] // arXiv preprint arXiv:1706.06083v3. – 2017. – P. 1-25.

5. Carlini, N. Towards evaluating the robustness of neural networks [Matn] / N. Carlini, D. Wagner // IEEE Symposium on Security and Privacy (SP). – 2017. – P. 39–57.

PDFni ko'rish