ML для защиты персональных данных в медицине | bobr.ai

НАУЧНАЯ ПРЕЗЕНТАЦИЯ • 2026

Применение методов машинного обучения<br>для защиты персональных данных<br>в медицинских системах

Информационная безопасность &times; Машинное обучение &times; Медицинские ИС

Иванов Иван Иванович

Медицинский Университет Инноваций

Содержание

Актуальность и постановка проблемы

Угрозы информационной безопасности в медицине

Нормативно-правовая база (152-ФЗ, GDPR)

Методы машинного обучения для ИБ

Обнаружение аномалий и вторжений

Классификация и фильтрация угроз

Архитектура системы защиты

Практическая реализация и результаты

Оценка эффективности

Выводы и рекомендации

ПРОБЛЕМАТИКА

Актуальность проблемы

41 млн

записей пациентов похищено в 2023 году в мире

2× рост

атак на медицинские ИС за последние 3 года

€20 млн

максимальный штраф по GDPR за утечку данных

Традиционные методы защиты не справляются с объёмом и сложностью угроз

Медицинские данные — наиболее ценная цель для злоумышленников

Необходима автоматизированная интеллектуальная система защиты

02

Угрозы ИБ в медицинских системах

03

Внешние атаки

Ransomware/шифровальщики

Фишинг и социальная инженерия

DDoS на медицинские сервисы

Внутренние угрозы

Несанкционированный доступ персонала

Утечки через привилегированных пользователей

Случайное раскрытие данных

Уязвимости ПО

Устаревшие медицинские ИС

Незащищённые API и интеграции

Слабая аутентификация

Нарушения регуляторов

Несоответствие 152-ФЗ / GDPR

Отсутствие аудита доступа

Нарушение сроков хранения данных

Нормативно-правовая база

Российское законодательство

152-ФЗ «О персональных данных»

требования к обработке и защите ПДн

Приказ ФСТЭК №17, №21

защита государственных ИС

Постановление Правительства №1119

уровни защищённости ПДн

ГОСТы серии Р 57580

безопасность финансовых/медицинских данных

Международные стандарты

GDPR (EU) 2016/679

защита данных граждан ЕС

HIPAA (США)

стандарт защиты медицинских данных

ISO/IEC 27001

система управления ИБ

HL7 FHIR Security

стандарт безопасности медицинских API

Нарушение требований →

штрафы до 20 млн € (GDPR)

уголовная ответственность (152-ФЗ)

ТЕХНОЛОГИЧЕСКИЙ СТЕК ИБ

Методы машинного обучения для ИБ

Обучение с учителем

(Supervised Learning)

Random Forest

Классификация вредоносного трафика

SVM (Support Vector Machine)

Обнаружение аномальных запросов

Gradient Boosting (XGBoost)

Выявление мошеннического доступа

Обучение без учителя

(Unsupervised Learning)

K-Means Clustering

Группировка паттернов поведения

Autoencoder (Нейросети)

Обнаружение сложных аномалий

Isolation Forest

Выявление выбросов в логах

Глубокое обучение

(Deep Learning)

LSTM (Рекуррентные сети)

Анализ последовательностей событий

CNN

Обнаружение паттернов в сетевом трафике

Transformer / BERT

Анализ текстовых логов и угроз

Обнаружение аномалий и вторжений

Поведенческий анализ пользователей (UEBA)

Профилирование типичных действий врача/медсестры

Выявление отклонений: время доступа, объём данных, геолокация

Сетевой IDS на основе ML

Обнаружение DDoS, port scanning, lateral movement

Классификатор трафика: точность до 97.3%

Анализ журналов событий (Log Analysis)

LSTM-модель на последовательностях событий

Корреляция событий из SIEM-системы

Классификация и фильтрация угроз

Входящие данные

логи, трафик, запросы к БД

Предобработка

нормализация, feature extraction, tokenization

ML-классификатор

Random Forest / XGBoost / LSTM

Оценка риска

Low / Medium / High / Critical scoring

Реагирование

блокировка, алерт, расследование

Класс угрозы

Пример

Метод ML

Точность

Несанкционированный доступ

Brute force

SVM

96.8%

Утечка данных

Аномальный экспорт

Isolation Forest

94.2%

Вредоносное ПО

Ransomware

CNN

98.1%

Инсайдерская угроза

UEBA отклонение

LSTM

91.5%

07

СИСТЕМА ЗАЩИТЫ ДАННЫХ

Архитектура системы защиты

Уровень<br>реагирования

SIEM, SOC, Alerting, Auto-blocking

Уровень<br>ML-анализа

Anomaly Detection Engine, Classifier Models, Risk Scoring

Уровень<br>сбора данных

Log Aggregation, Network Monitoring, API Gateway Logs, DB Audit

Медицинская<br>инфраструктура

МИС/ЭМК, DICOM-серверы, Web-порталы, Мобильные приложения

Технологический стек

ML Engine

Python / scikit-learn / TensorFlow

Data Pipeline

Apache Kafka + Spark

Storage

PostgreSQL + Elasticsearch

SIEM Integration

IBM QRadar / Splunk

08

Набор данных и обучение модели

Результаты оценки моделей

False Positive Rate: 1.6%

Низкий уровень ложных тревог

Время обнаружения: 2.3 сек

Обработка события в реальном времени

* Тестирование на реальных данных медицинского центра, 2024

10

ВНЕДРЕНИЕ РЕШЕНИЯ

Практическая реализация

Этап 1 (3 мес.)

Анализ и проектирование

Аудит существующей ИС, сбор требований, выбор архитектуры

Этап 2 (4 мес.)

Сбор и подготовка данных

Развёртывание агентов сбора логов, разметка датасета

Этап 3 (5 мес.)

Разработка ML-моделей

Обучение, валидация, ансамблирование моделей

Этап 4 (3 мес.)

Интеграция и тестирование

Подключение к SIEM, нагрузочное тестирование, пилот

Этап 5 (2 мес.)

Внедрение и мониторинг

Развёртывание в продуктиве, обучение персонала

Технологический стек

Python 3.11

scikit-learn

TensorFlow 2.x

Apache Kafka

Elasticsearch

Kibana

Docker/K8s

PostgreSQL

REST API

IBM QRadar

ПИЛОТНАЯ ПЛОЩАДКА

Региональный медицинский центр

1200 пользователей

3 корпуса

11

РЕЗУЛЬТАТЫ • СРАВНЕНИЕ

Эффект от внедрения системы

Время обнаружения угроз

Пропущенные инциденты

Ложные срабатывания

Автоматизация обработки

АНАЛИЗ И ПЕРСПЕКТИВЫ

Ограничения и направления развития

Текущие ограничения

<b>Высокие требования</b> к вычислительным ресурсам для LSTM-моделей

<b>Необходимость переобучения</b> при изменении паттернов атак

<b>Сложность разметки</b> обучающих данных в реальных условиях

Риск <b>adversarial attacks</b> на ML-модели (атаки на сами алгоритмы)

<b>Ограниченная интерпретируемость</b> ансамблевых моделей (черный ящик)

Перспективы развития

<b>Federated Learning</b> &mdash; обучение на распределённых данных без их передачи

<b>Explainable AI (XAI)</b> &mdash; интерпретируемые решения для регуляторов

<b>Real-time streaming ML</b> &mdash; обработка потоков в Apache Flink

<b>LLM для анализа угроз</b> &mdash; GPT-подобные модели для SIEM

<b>Квантово-устойчивая криптография</b> в связке с ML

13

Выводы и рекомендации

Эффективность подтверждена

Ансамблевая ML-модель достигает точности 98.4% при обнаружении угроз в медицинских ИС

Соответствие требованиям

Разработанная система обеспечивает выполнение требований 152-ФЗ, GDPR и HIPAA в части автоматизированного контроля

Практическая применимость

Успешное пилотное внедрение в региональном медицинском центре подтверждает готовность к масштабированию

Перспективность направления

Использование Federated Learning и XAI позволит преодолеть текущие ограничения

Рекомендуется внедрение ML-систем ИБ во всех медицинских организациях 1-го и 2-го уровня как обязательного элемента инфраструктуры защиты ПДн

Список использованной литературы

Спасибо<br>за внимание!

sec.research@med-innovations.ru

+7 (495) 987-65-43

t.me/med_infosec

Сибгатуллин Д.Р. и др. Применение методов машинного обучения для обнаружения аномалий в медицинских ИС // Информационная безопасность. — 2023. — №4. — С. 45–52.

Литвинова Т.А. Защита персональных данных пациентов: правовые и технические аспекты. — М.: МГТУ им. Баумана, 2022. — 312 с.

Esteva A. et al. A guide to deep learning in healthcare // Nature Medicine. — 2019. — Vol. 25. — P. 24–29.

Федеральный закон от 27.07.2006 №152-ФЗ «О персональных данных».

GDPR Regulation (EU) 2016/679 of the European Parliament.

NIST SP 800-66r2: Implementing the HIPAA Security Rule. — NIST, 2023.

Buczak A.L., Guven E. A Survey of Data Mining and ML Methods for Cybersecurity Intrusion Detection // IEEE Communications Surveys. — 2016.

Шаньгин В.Ф. Защита компьютерной информации. Эффективные методы и средства. — М.: ДМК Пресс, 2021.

Презентация подготовлена в 2026 г.