הצפנת תמונות משופרת בעזרת מודלים גנרטיביים עמוקים המשתמשים במנגנון קשב‑עצמי

מדוע חשוב להסתיר תמונות רפואיות

בתי חולים שולחים ושומרים כיום מיליוני תמונות רפואיות — מסריקות מוח ועד תמונות עור — ברשתות מדי יום. תמונות אלה עלולות לחשוף פרטים אינטימיים על בריאותו של אדם, ולכן יש להגן עליהן מפני עיניים סקרניות תוך שמירה על דיוק המספיק לקריאת רופאים. מאמר זה מציג שיטה חדשה לערבוב (הצפנה) של תמונות רפואיות באמצעות אינטליגנציה מלאכותית מודרנית, עם המטרה להפוך נתונים שנגנבו לחסרי תועלת עבור תוקף ובו־בזמן לשמור על חדות התמונות המפוענחות כדי לאפשר אבחון.

מנגנול נעילה חכם יותר לתמונות דיגיטליות

המחברים מבססים את מערכת ההגנה שלהם על משפחה של מודלים בלמידת עומק הנקראים רשתות גנרטיביות, שנועדו ללמוד כיצד תמונות נראות ואז לייצר תמונות חדשות. התצורה שלהם משתמשת בזוג רשתות עצביות שפועלות כמו מנעול ומפתח: רשת אחת מצפינה תמונה רפואית רגילה כך שתיראה כרעש אקראי, ורשת שנייה הופכת את התהליך כדי לשחזר את המקור. שתי רשתות נוספות משמשות כמבקרות, השופטות כל הזמן האם התמונות המוצפנות נראות שונה מכל סריקה אמיתית והאם התמונות המפוענחות קרובות מספיק למקור. אימון הדחיפה‑והמשיכה הזה מאלץ את המערכת להסתיר פרטים רגישים ועדיין להיות מסוגלת להחזירם בנאמנות.

מתן אפשרות לרשת "לתשומת לב"

כדי לחזק גם את האבטחה וגם את איכות התמונה, החוקרים מוסיפים מנגנון המכונה קשב‑עצמי בתוך ליבת המודל. במקום להסתכל רק על שכנות פיקסלים קטנות, מודול הקשב מאפשר למערכת לחבר אזורים מרוחקים בתמונה — למשל לקשר חלק אחד של סריקת מוח לחלק אחר שנמצא רחוק. מספר "ראשים" של קשב בוחנים את התמונה מזוויות שונות ואז משלבים את ממצאיהם. המבט הגלובלי הזה מסייע להפיץ מידע בכל התמונה המוצפנת, לשבור את הקישורים ההדוקים פיקסל‑אל‑פיקסל שתוקפים נוטים לנצל, ובו־זמנית לשמור על המבנים שחשובים כאשר התמונה מאוחר יותר משוחזרת.

הפיכת משקלים נלמדים למפתחות סודיים

בהצפנה המסורתית, מפתח מספרי קצר שולט בדרך שבה הנתונים מעורבבים. כאן תפקיד המפתח מובל על‑ידי כל משקלי הרשתות העצביות הנלמדים, שקובעים במדויק כיצד התמונות מומרות. שני הגנרטורים המרכזיים מכילים יחד עשרות מיליוני ערכים ניתנים לכוונון, והמבקרים מוסיפים מיליונים נוספים. במהלך האימון על מערכי נתונים גדולים של סריקות MRI של מוח ותמונות סרטן עור, פרמטרים אלה מכווננים בהדרגה כך שהצפנה ופענוח יעבדו היטב. מספר הערכים הרב יוצר מרחב מפתחות עצום, מה שמקשה באופן מעשי על תוקף לנחש או לפרוץ את התצורה הנכונה ללא גישה למודלים המאומנים המאוחסנים בצורה מאובטחת בסביבת בית חולים.

העמדת המערכת למבחן

הצוות בוחן את שיטתם באמצעות מערך בדיקות רחב המשקף איומים בעולם האמיתי. באופן סטטיסטי, התמונות המוצפנות נראות כמעט אקראיות לחלוטין: מדדים כמו אנטרופיה קרובים למקסימום התיאורתי שלהם, ופיקסלים שכנים מאבדים את המתאמים החזקים שנמצאים בסצנות טבעיות. כאשר אותה תמונה מוצפנת עם שני מפתחות כמעט זהים, התוצאות שונות באופן דרמטי, מה שמצביע על כך שגם שינויים זעירים במפתח מובילים לצפנים שונים מאוד. במקביל, התמונות המפוענחות תואמות בקירוב למקור, עם ציונים גבוהים במדדי איכות סטנדרטיים המודדים רעש וייצוג מבני. המערכת גם מתנהגת היטב כאשר חלקים מהתמונה המוצפנת חוסמים או ניזוקים; עד רמות חסרות נתונים מתונות, הסריקות המשוחזרות נשארות אמינות חזותית. לבסוף, המחברים משווים את הגישה שלהם לכמה תוכניות הצפנה מבוססות למידת עומק קודמות ומגלים שעיצובם משיג איזון חריג: הוא מספק אקראיות כמעט מקסימלית והתנגדות להתקפות דיפרנציאליות תוך שמירה על פרטים רפואיים.

מה משמעות הדבר לפרטיות המטופל

ללא‑מומחים, המסר העיקרי הוא שהמחברים בנו נעילת AI שיכולה לערבל בחוזקה תמונות רפואיות ועדיין לשחזר אותן בבהירות כמעט זהה למקור. על‑ידי שילוב קשב‑עצמי בזוג רשתות גנרטיביות וטיפול בפרמטרי המודל הנלמדים כמפתחות סודיים עצומים, שיטתם מקשה מאוד על גורמים חיצוניים לשחזר תמונות מטופלים מנתונים שנתפסו. אף שהגישה דורשת יותר משאבים חישוביים לעומת שיטות קלות המיועדות למכשירים זעירים, היא מתאימה היטב לשרתי בתי חולים ולשערי מידע רפואיים שבהם אבטחה ואיכות אבחונית הן החשובות ביותר. ככל שמערכות כאלה יתפתחו ויהפכו ליעילות יותר, הן עשויות להיות רכיב מרכזי באופן שבו בתי החולים העתידיים שומרים סריקות רגישות בטוחות מבלי לפגוע במידע שהרופאים זקוקים לו לטיפול בחולים.

ציטוט: Karmouni, I., Ghouate, N.E., Tahiri, M.A. et al. Enhanced image encryption with deep generative models using a self-attention mechanism. Sci Rep 16, 11200 (2026). https://doi.org/10.1038/s41598-026-38780-5

מילות מפתח: הצפנת תמונות רפואיות, אבטחת למידת עומק, מודלים גנרטיביים, קשב‑עצמי, פרטיות נתוני בריאות