Seudonimización habilitada por aprendizaje profundo para preservar la privacidad de datos de identificadores financieros en documentos públicos en India

Por qué su firma en un documento de identidad está en riesgo

La mayoría de nosotros firmamos nuestro nombre en tarjetas de identidad gubernamentales, formularios bancarios y documentos fiscales sin pensar que esos trazos pueden ser copiados, falsificados o extraídos por atacantes. A medida que más oficinas escanean y comparten estos documentos en línea, las firmas manuscritas —aún consideradas legalmente vinculantes en muchos lugares— se han convertido en un objetivo atractivo para el robo de identidad. Este artículo explora una nueva manera de ocultar firmas en las tarjetas fiscales indias manteniendo los documentos útiles para la contabilidad, auditorías e incluso verificaciones de seguridad futuras.

Convertir firmas reales en sustitutos seguros

Los autores se centran en la tarjeta de Número de Cuenta Permanente (PAN) de India, ampliamente usada para transacciones financieras y declaración de impuestos. Estas tarjetas aparecen cada vez más en correos, unidades en la nube y presentaciones públicas, donde las firmas expuestas pueden ser copiadas o impresas en documentos falsos. Simplemente difuminar o cubrir con negro la firma protege la privacidad pero destruye el valor del documento para verificaciones posteriores o investigaciones. En su lugar, los investigadores emplean una estrategia llamada seudonimización: la firma original se detecta y se reemplaza por una apariencia sintética que conserva la posición y la estructura del rasgo, pero que ya no coincide lo suficientemente con la caligrafía real de la persona como para ser utilizada indebidamente.

Cómo un sistema de visión inteligente encuentra qué ocultar

Para automatizar este proceso, el equipo se basa en un modelo de aprendizaje profundo conocido como SuperPoint, diseñado originalmente para encontrar puntos importantes en imágenes —como esquinas y bordes— que se mantienen fiables incluso si la imagen es ruidosa, está inclinada o ligeramente desenfocada. El método primero preprocesa las imágenes escaneadas de las tarjetas PAN redimensionándolas y convirtiéndolas a escala de grises para simplificar el cálculo. A continuación aísla la región que contiene la firma. Dentro de esa región, la red SuperPoint actúa como una lupa especializada: una parte de la red produce un mapa de calor que muestra dónde se encuentran los trazos distintivos, y otra parte genera descripciones numéricas compactas de esos trazos. Esta combinación permite al sistema identificar con precisión qué partes de la escritura son más distintivas y, por tanto, más peligrosas si se dejan expuestas.

De trazos y puntos clave a marcas enmascaradas

Una vez identificadas las ubicaciones importantes en la firma, el sistema las reemplaza por formas neutras que mantienen el aspecto general de un área firmada sin revelar el estilo personal del autor. En lugar de almacenar el patrón de tinta original, el modelo se apoya en mapas de características abstractos —resúmenes matemáticos de dónde estaban los puntos clave—, lo que dificulta mucho que un atacante reconstruya la firma verdadera. Los autores también usan una herramienta llamada Kornia para convertir las salidas crudas de la red en coordenadas, escalas y orientaciones precisas, ayudando a garantizar que la región enmascarada se alinee correctamente con el área de la firma original y funcione en distintos diseños de tarjeta y calidades de escaneo.

Qué tal funciona el nuevo enfoque

El marco se prueba en más de 500 imágenes reales de tarjetas PAN recopiladas de conjuntos de datos abiertos, abarcando muchos estilos de escritura y diseños de tarjeta. Su rendimiento se compara con métodos tradicionales ampliamente usados para encontrar características —ORB, FAST y SIFT— así como con una red residual profunda. Los investigadores miden con qué precisión el sistema encuentra detalles de la firma, cuánto se parece el documento enmascarado al original en apariencia y cuánta potencia de cálculo y almacenamiento requiere. Su método alcanza alta precisión y exhaustividad al localizar las partes cruciales de las firmas y obtiene un índice de similitud estructural de alrededor del 97 por ciento, lo que significa que las tarjetas seudonimizadas se ven casi idénticas a las originales excepto por las marcas protegidas. Al mismo tiempo, utiliza un número moderado de puntos clave y descriptores compactos, logrando un equilibrio entre precisión, velocidad y uso de memoria.

Qué implica esto para la privacidad cotidiana

Para los no especialistas, el mensaje clave es que ahora es posible proteger automáticamente uno de los elementos más sensibles de una tarjeta de identidad —su firma manuscrita— sin convertir el documento en un rectángulo inútil cubierto de negro. Al reemplazar las firmas reales por sustitutos cuidadosamente construidos, el sistema propuesto permite a gobiernos y organizaciones compartir, almacenar y analizar documentos de identidad escaneados reduciendo en gran medida el riesgo de falsificación y robo de identidad. Los autores sugieren que herramientas similares basadas en aprendizaje profundo podrían integrarse en los flujos de trabajo del sector público, ayudando a los países a cumplir las normas modernas de privacidad como el RGPD, y que eventualmente podrían extenderse más allá de las tarjetas PAN a pasaportes, licencias y otros documentos de identidad en todo el mundo.

Cita: Roopalakshmi, R., Kailas, S. & Sreelatha, R. Deep learning enabled pseudonymization for preserving data privacy of financial identifiers in public documents in India. Sci Rep 16, 8120 (2026). https://doi.org/10.1038/s41598-026-39309-6

Palabras clave: privacidad de la firma, protección de identidad, anonimización de documentos, seguridad con aprendizaje profundo, documentos de identidad gubernamentales