La enfermedad por coronavirus 2019 (COVID-19) se propagó rápidamente por todo el mundo y resultó en una pandemia global. Aplicar inteligencia artificial a la investigación de COVID-19 puede producir resultados muy emocionantes. Sin embargo, la mayoría de las investigaciones se han centrado en aplicar técnicas de IA en el estudio de COVID-19, pero han ignorado la seguridad y fiabilidad de los sistemas de IA. En este documento, exploramos ataques adversarios en un sistema de aprendizaje profundo basado en imágenes de TC de COVID-19 con el objetivo de ayudar a abordar este problema. En primer lugar, construimos un sistema de aprendizaje profundo que podía identificar imágenes de TC de COVID-19 y no COVID-19 con una precisión promedio del 76.27%. En segundo lugar, atacamos el modelo preentrenado con un algoritmo de ataque adversario, es decir, FGSM, para hacer que el sistema de aprendizaje profundo de COVID-19 clasifique erróneamente las imágenes de TC, y la precisión de clasificación de las imágenes de TC no COVID-19 cayó del 80% al 0%. Finalmente, en respuesta a este ataque, propusimos cómo se podría construir un modelo de aprendizaje profundo más seguro y fiable basado en imágenes médicas de COVID-19. Esta investigación se basa en un sistema de reconocimiento de imágenes de TC de COVID-19, que estudia la seguridad de un sistema de aprendizaje profundo basado en imágenes de TC de COVID-19. Esperamos llamar la atención de más investigadores sobre la seguridad y fiabilidad de los sistemas de aprendizaje profundo médico.