Enhancement Robustness of Breast Cancer Models Against Adversarial Attacks

الملخص

تُشكّل الهجمات الخصومية (Adversarial Attacks) تهديدًا بالغ الخطورة على موثوقية نماذج التعلّم العميق، ولا سيما في مجال التصوير الطبي، حيث يمكن لاضطرابات طفيفة على مستوى البكسل أن تؤدي إلى أخطاء تشخيصية جسيمة. يناقش هذا البحث قابلية نموذج تصنيف أنسجة سرطان الثدي للتأثر بالهجمات الخصومية، ويقترح إطارًا دفاعيًا قويًا للتصدي لها. وباستخدام مجموعة بيانات BreaKHis 400X، حقّق نموذج تعلّم بالنقل قائم على DenseNet121 دقّة بلغت 87.16% على البيانات النظيفة. إلا أنه عند التعرّض لهجوم طريقة إشارة التدرّج السريع (FGSM) بقيمة ε=0.05، انخفضت الدقّة إلى 19.45%، مع معدل نجاح للهجوم قدره 80.55%. ولمعالجة هذه التحديات، تم تطوير نموذج دفاعي عالي الدقّة يدمج بين التدريب الخصومي ووحدة لإزالة الضجيج وآلية لاكتشاف الهجمات الخصومية. وقد حسّن النموذج المقترح المتانة بشكل ملحوظ، إذ رفع الحساسية إلى 96.75% والخصوصية إلى 90.91% على البيانات النظيفة، مع تقليل كبير في حالات السلبية الكاذبة. وتُظهر النتائج أن الجمع بين التدريب الخصومي والمعالجة المسبقة الموجّهة يمكن أن يعزّز بفاعلية صمود النماذج، ويوفّر مسارًا عمليًا نحو أنظمة تعلّم عميق أكثر أمانًا وموثوقية في البيئات السريرية.