Garantizar la integridad de los modelos de IA: un enfoque basado en blockchain para proteger los datos de entrenamiento de imágenes médicas

Por qué importa proteger las exploraciones médicas

Cuando los médicos usan inteligencia artificial para detectar tumores cerebrales en imágenes de resonancia magnética, depositan una enorme confianza en los datos y en el software. Pero ¿y si alguien altera en secreto esas imágenes para que la IA aprenda conclusiones erróneas —o interprete un tumor como inofensivo? Este artículo explora cómo la combinación de tecnología blockchain y almacenamiento distribuido puede asegurar las imágenes médicas desde el momento en que se crean, ayudando a garantizar que decisiones de vida o muerte no se basen en datos corruptos.

La amenaza oculta en las imágenes médicas

Los sistemas modernos de IA, especialmente los modelos de aprendizaje profundo, pueden detectar patrones sutiles en las imágenes de resonancia cerebral que los humanos podrían pasar por alto, aumentando la precisión y aliviando la carga de los médicos. Sin embargo, estos modelos solo son tan fiables como las imágenes con las que se entrenan. Los atacantes pueden realizar ataques de “envenenamiento de datos” introduciendo imágenes de resonancia ligeramente alteradas en los conjuntos de entrenamiento. Los cambios son tan pequeños que los humanos no los detectan, pero pueden empujar al modelo de IA hacia errores peligrosos, como clasificar sistemáticamente mal un tipo de tumor. Ajustes similares pueden aplicarse en la fase de prueba, donde un atacante modifica sutilmente una sola imagen para engañar a un modelo desplegado y obtener un diagnóstico erróneo. Dado que las canalizaciones actuales de imágenes médicas a menudo carecen de garantías sólidas sobre el origen de los datos y si han sido modificados, estos ataques son difíciles de detectar y podrían tener consecuencias que amenacen la vida.

Por qué las defensas existentes son insuficientes

Los investigadores han probado varias tácticas para defender los modelos de IA, pero la mayoría tratan los síntomas en lugar de las causas. El entrenamiento adversario expone a los modelos a muchos ejemplos manipulados para que aprendan a resistir ciertos ataques, pero esto es costoso computacionalmente y tiende a proteger solo contra trucos conocidos. Métodos de “limpieza” de imágenes, como la compresión o la eliminación de ruido, pueden eliminar algunas perturbaciones pero pueden fallar frente a ataques más sofisticados y no demuestran el origen de los datos. Otros enfoques, como la marca de agua digital o hardware seguro especial, ofrecen funciones útiles como detección de manipulación o cómputo protegido, pero suponen que las imágenes que ingresan al sistema ya son confiables. Ninguno de estos métodos proporciona un registro de extremo a extremo de cada imagen médica desde el momento en que se captura en el escáner hasta su almacenamiento, intercambio y uso en el entrenamiento de IA.

Una nueva canalización de datos basada en confianza compartida

Los autores proponen una nueva arquitectura que comienza a proteger las imágenes en el instante en que se crean en un centro de diagnóstico. En su diseño, cooperan tres roles: el DataOwner (por ejemplo, el departamento de imagenología de un hospital) que genera las resonancias, el DataCustodian que gestiona el almacenamiento seguro y los permisos, y el ResearchCenter que entrena los modelos de IA. En lugar de colocar las imágenes directamente en una blockchain —lo cual sería lento y pesado— los archivos RAW de resonancia se almacenan en una red privada e aislada de nodos de almacenamiento distribuido llamada IPFS privado. Cada imagen recibe una huella criptográfica única, o identificador de contenido, que cambia incluso si se altera un solo píxel. Esa huella, junto con información sobre quién subió la imagen y cuándo, se escribe luego en una blockchain con permisos construida sobre Hyperledger Fabric, compartida únicamente entre organizaciones autorizadas.

Cómo el sistema evita la manipulación

Siempre que un investigador desea usar imágenes, envía una solicitud firmada digitalmente que queda registrada en la blockchain. Solo las partes autorizadas pueden aprobar esa solicitud, y la aprobación en sí misma pasa a formar parte del registro permanente. El investigador entonces recupera la imagen desde la red de almacenamiento privada y recalcula su huella. Si la nueva huella no coincide con la almacenada en la blockchain, la imagen se marca como manipulada y se bloquea para que no entre en la canalización de entrenamiento de IA. Esto crea una traza evidente de manipulación y totalmente auditable: cada carga, solicitud de acceso, aprobación y recuperación se registra en múltiples ordenadores independientes, dificultando mucho la manipulación silenciosa. Los autores implementaron este diseño con imágenes reales de tumores cerebrales en RMN, midieron su rendimiento usando una herramienta llamada Hyperledger Caliper y demostraron que puede manejar cargas seguras casi en tiempo real con bajas tasas de fallo y retrasos manejables.

Qué significa esto para una IA más segura en los hospitales

En términos sencillos, el sistema propuesto actúa como una bóveda cerrada y transparente para las imágenes médicas. Todo el mundo puede ver cuándo una exploración entra o sale de la bóveda, y cualquier intento de alterar una imagen deja huellas evidentes. Al combinar una blockchain con permisos, almacenamiento distribuido privado y controles de acceso estrictos, el marco aborda la raíz del problema: evita que imágenes envenenadas o falsificadas lleguen jamás al modelo de IA. Aunque persisten desafíos prácticos —como conectar esta solución con el software hospitalario existente y navegar por complejas regulaciones de privacidad—, el enfoque ofrece una vía prometedora hacia herramientas de IA en las que clínicos y pacientes puedan confiar, especialmente en ámbitos de alto riesgo como el diagnóstico de tumores cerebrales.

Cita: Shinde, R., Patil, S., Kotecha, K. et al. Ensuring the integrity of AI models: a blockchain-based approach for protecting medical imaging training data. Sci Rep 16, 13989 (2026). https://doi.org/10.1038/s41598-026-44040-3

Palabras clave: seguridad de imágenes médicas, blockchain en salud, ataques adversarios, RMN de tumor cerebral, IA fiable