Robosurg: Resilience of Vision-Language Models Against Adversarial Attacks in Robotic Surgery
Notice bibliographique
Résumé
The integration of artificial intelligence (AI) and visionlanguage models (VLMs) is revolutionizing robotic-assisted surgeries by enhancing decision-making and operational precision. Despite these advances, the robustness of VLMs against adversarial attacks, particularly in surgical scene understanding via Visual Question Answering (VQA), is not well understood. These models are integral to surgical accuracy but may be vulnerable to data perturbations that can compromise patient outcomes. This paper introduces RoboSurg, a framework designed to protect VLMs against such adversarial threats in surgical environments. We tailor adversarial attacks to the surgical domain, exposing significant vulnerabilities in widely used models such as SurgicalGPT, BLIP, BLIP-2, and CLIP-ViL. RoboSurg incorporates multimodal adversarial training, advanced input preprocessing, and targeted architectural modifications to enhance the strength of these models. Our experimental results demonstrate that RoboSurg effectively lowers the impact of adversarial threats while maintaining model performance under normal operating conditions. Furthermore, the first study of adversarial attacks on VLMs in a surgical context is presented in this paper, and bringing AI solutions to the forefront of safety and reliability marks a significant achievement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».