Del Cifrado Clásico a la Criptografía Profunda en Imágenes Médicas

El rápido avance de los sistemas digitales de atención médica ha propiciado una explosión en el volumen de imágenes médicas compartidas a través de redes públicas y plataformas distribuidas. Tomografías computarizadas, resonancias magnéticas, radiografías y estudios clínicos generados digitalmente representan hoy una de las fuentes más sensibles de información biomédica. Garantizar la integridad, confidencialidad y disponibilidad de estos datos constituye un imperativo ético y técnico.

En este contexto, el artículo "Survey on medical image encryption: From classical to deep learning-based approaches" de Shiv Prasad y Amit Kumar Singh propone una revisión exhaustiva de las técnicas de cifrado utilizadas en la protección de imágenes médicas digitales. Esta revisión abarca desde métodos criptográficos clásicos hasta enfoques basados en inteligencia artificial, destacando tanto la evolución conceptual como los desafíos aún pendientes en este campo.

Los autores parten de la premisa de que los mecanismos clásicos de cifrado, pese a su solidez teórica, resultan insuficientes frente a los desafíos actuales en términos de escalabilidad, eficiencia computacional y resistencia ante ataques sofisticados. Propugnan que los métodos de cifrado asistidos por modelos de aprendizaje automático y aprendizaje profundo ofrecen una alternativa no sólo viable, sino superior, al integrar capacidades adaptativas, resistencia al ruido y dinámica de cifrado diferenciada.

La investigación se estructura como una revisión sistemática comparativa, en la que se analizan más de cincuenta enfoques diferentes de cifrado de imágenes médicas. Cada técnica se evalúa conforme a métricas técnicas estandarizadas: NPCR (Number of Pixels Change Rate), UACI (Unified Average Changing Intensity), entropía, PSNR, SSIM, coeficiente de correlación y análisis de histogramas, así como la resistencia frente a ataques como ruido, recorte, brute-force, y ataques por plaintext conocido

Técnicas y Enfoques Evaluados

1. Enfoques Clásicos

Los métodos tradicionales se agrupan en:

• Dominios espaciales: cifrado directo a nivel de píxel.
• Dominios de transformación: cifrado en el dominio de la frecuencia (Fourier, wavelet, Hartley).
• Cifrado óptico y de percepción (como CS – Compressive Sensing).
• Técnicas basadas en caos: implementadas mediante mapas caóticos (Logistic, Tent, Henon, Chen 4D, etc.).
• Codificación DNA: operaciones sobre secuencias simuladas de ADN para difundir información cifrada.
• Criptografía convencional: AES, RSA, y variantes con cajas S (S-box) dinámicas o caóticas.

Estos métodos, aunque efectivos en entornos controlados, presentan limitaciones en entornos abiertos y distribuidos debido a su alto coste computacional, dificultad de escalado y menor resistencia frente a ataques diferenciales.

2. Enfoques basados en Machine Learning

Aquí se incluyen técnicas que utilizan clasificadores (KNN, SVM) y redes neuronales artificiales simples (ANN). En general, estos modelos se utilizan para:

• Optimizar la selección de claves criptográficas.
• Mejorar la clasificación de regiones sensibles de las imágenes para aplicar cifrado selectivo.
• Reducir redundancias mediante clustering antes del cifrado.

Aunque proporcionan una mejora moderada en eficiencia y flexibilidad, aún adolecen de vulnerabilidades frente a ataques adversarios.

3. Técnicas basadas en Deep Learning

Esta categoría representa el avance más significativo y abarca:

• Redes Convolucionales (CNN): utilizadas para cifrado end-to-end y recuperación reversible de imágenes.
• Redes Generativas Adversariales (GAN y CycleGAN): aplicadas en esquemas de cifrado reversible que preservan miniaturas visuales y permiten la autenticación de remitente/receptor.
• Autoencoders y cifradores entrenables: permiten cifrado adaptativo mediante codificadores y decodificadores robustos ante ataques de reconstrucción.
• Redes recurrentes (RGNN), GRNN y modelos híbridos: combinan caos, visión artificial y cifrado inteligente.

Estas técnicas no sólo superan a las anteriores en términos de entropía y fidelidad del descifrado (SSIM ≈ 1), sino que además permiten entrenamiento federado, cifrado de múltiples imágenes en paralelo, y adaptación a formatos 3D/4D en ambientes clínicos reales.

Datasets y Evaluación Experimental

Los autores utilizan conjuntos de datos médicos reales y sintéticos, incluyendo:

• Clínicos: MRI, CT, rayos X de tórax e hígado, imágenes DICOM.
• Estándar de referencia: Lena, USC-SIPI, Pepper, COCO2017, Caltech256.
• Aplicaciones específicas: MIAS (mamografías), BraTS18 (tumores cerebrales), VOC2007 (segmentación de imágenes), COREL1K.

La evaluación empírica muestra que los métodos basados en DL alcanzan entropías superiores a 7.98 y puntajes ideales de NPCR (≈99.6%) y UACI (≈33%) con menor coste computacional que los métodos tradicionales, al aprovechar optimizaciones en redes neuronales convolucionales.

Herramientas y Contribuciones Relevantes

• Desarrollo de generadores de claves criptográficas mediante redes neuronales.
• Implementación de cifradores entrenables que aprenden directamente del contenido visual (cifradores end-to-end).
• Esquemas reversibles que permiten ocultamiento de datos con alta fidelidad (watermarking y TPE – Thumbnail Preserving Encryption).
• Modelos robustos ante ruido, ataques diferenciales y ataques adversarios.
• Evaluadores de seguridad que integran métricas estructurales, estadísticas y perceptuales.

Futuros Trabajos y Retos Emergentes

• Entrenamiento federado o split learning para evitar la exposición directa de datos clínicos durante el aprendizaje del modelo.
• Protección de la propiedad intelectual de modelos de cifrado DL, incorporando firmas digitales y blockchain.
• Aplicación en imágenes multirresolución (3D/4D) utilizando GANs personalizados.
• Enfoques de cifrado parcial, en los cuales se protegen solo las regiones sensibles de la imagen médica, maximizando eficiencia sin comprometer la confidencialidad.
• Mitigación de overfitting y underfitting mediante técnicas avanzadas de regularización, aumentos de datos (data augmentation) y transferencia de aprendizaje.
• Media-to-model security: esto es, asegurar la cadena completa desde el dato visual hasta su procesador inteligente.

La transición del cifrado clásico hacia modelos basados en inteligencia artificial representa más que una mejora incremental: redefine la noción misma de seguridad visual en entornos clínicos. Los modelos de deep learning, no solo protegen mejor las imágenes médicas, sino que pueden adaptarse a patrones dinámicos, procesar múltiples dimensiones y aprender a resistir ataques nunca antes vistos.

Este estudio no solo sistematiza ese progreso, sino que establece una agenda clara para el diseño de técnicas criptográficas más seguras, adaptativas y escalables. Ofrece una luz para investigadores, desarrolladores de tecnología médica y responsables de ciberseguridad clínica que buscan resguardar lo más valioso: la integridad del paciente y su derecho a la privacidad diagnóstica.