MADRID, 28 Nov. (EUROPA PRESS) -
Dos nuevos estudios que se presentan esta semana en la reunión anual de la Sociedad Radiológica de América del Norte (RSNA, por sus siglas en inglés), que se celebra en Chicago, Illinois, Estados Unidos, abordan el riesgo potencial de ataques cibernéticos en las imágenes médicas.
Internet ha sido muy beneficiosa para la atención sanitaria, por ejemplo, en la radiología, al mejorar el acceso en áreas remotas, permitir diagnósticos más rápidos y mejores, o mejorar enormemente la gestión y transferencia de registros médicos e imágenes; pero una mayor conectividad puede llevar a una mayor vulnerabilidad a interferencias externas. Investigadores y expertos en ciberseguridad han comenzado a examinar formas de mitigar el riesgo de ataques cibernéticos en las imágenes médicas antes de que se conviertan en un peligro real.
Los dispositivos de imágenes médicas, como las máquinas de rayos X, la mamografía, la resonancia magnética y la tomografía computarizada (TC), desempeñan un papel crucial en el diagnóstico y tratamiento. Como estos dispositivos suelen estar conectados a redes de hospitales, pueden ser potencialmente susceptibles a ataques cibernéticos sofisticados, incluidos ataques de ransomware (restricción de acceso al sistema y exigencia de un pago para quitar ese bloqueo) que pueden deshabilitar las máquinas. Debido a su papel crítico en la sala de urgencias, los dispositivos de TC pueden tener el mayor riesgo de ataque cibernético.
PROTECCIÓN 'CEBOLLA'
En un estudio presentado ahora, investigadores de la Universidad Ben-Gurion del Negev en Beer-Sheva, Israel, identificaron áreas de vulnerabilidad y formas de aumentar la seguridad en los equipos de TC. Demostraron cómo un pirata informático podría pasar por alto los mecanismos de seguridad de una máquina de TC para manipular su comportamiento. Debido a que la TC usa radiación ionizante, los cambios en la dosis podrían afectar negativamente la calidad de la imagen o, en casos extremos, suponer un daño para el paciente.
"En la fase actual de nuestra investigación, nos centramos en el desarrollo de soluciones para prevenir tales ataques con el fin de proteger los dispositivos médicos", explica uno de los autores, Tom Mahler, profesor Asistente en la Universidad Ben-Gurion del Negev. "Nuestra solución supervisa los comandos que salen del dispositivo antes de que se ejecuten, y alertará, y posiblemente detendrá, si detecta anomalías", añade.
Para la detección de anomalías, los científicos desarrollaron un sistema que utiliza varios métodos avanzados de aprendizaje automático y de aprendizaje profundo, con datos de entrenamiento que consisten en comandos reales grabados desde dispositivos reales. El modelo aprende a reconocer los comandos normales y a predecir si un comando nuevo que no se ve es legítimo o no. Si un atacante envía un comando malicioso al dispositivo, el sistema lo detectará y alertará al operador antes de que se ejecute el comando.
"En ciberseguridad, es mejor tomar el modelo de protección 'cebolla' y construir la protección en capas --subraya Mahler--. Los esfuerzos anteriores en esta área se han centrado en asegurar la red del hospital. Nuestra solución está orientada a dispositivos, y nuestro objetivo es ser la última línea de defensa para dispositivos de imágenes médicas".
Añade que también es importante tener en cuenta que, aunque estos tipos de ataques son teóricamente posibles, no hay indicios de que realmente hayan ocurrido. "Si los fabricantes de atención médica y los hospitales adoptaran un enfoque proactivo, podríamos evitar que estos ataques ocurran", afirma.
ALTERAR LOS RESULTADOS DE LAS MAMOGRAFÍAS
Un segundo estudio analizó el potencial de alterar los resultados de la mamografía. Los investigadores entrenaron un tipo de aplicación de inteligencia artificial (CycleGAN), en 680 imágenes mamográficas de 334 pacientes, para convertir las imágenes que muestran cáncer en sanas y hacer lo mismo, a la inversa, para el control normal de las imágenes. Querían determinar si un CycleGAN podría insertar o eliminar características específicas del cáncer en las mamografías de una manera realista.
"Como médicos, es nuestro deber moral proteger primero a nuestros pacientes de cualquier daño --apunta Anton S. Becker, residente de Radiología en el Hospital Universitario de Zurich y ETH Zurich, en Suiza--. Por ejemplo, como radiólogos estamos acostumbrados a proteger a los pacientes de la radiación innecesaria. Cuando las redes neuronales u otros algoritmos inevitablemente encuentran su camino en nuestra rutina clínica, necesitaremos aprender cómo proteger a nuestros pacientes de cualquier efecto secundario no deseado de esos también".
Las imágenes se presentaron a tres radiólogos, quienes revisaron las imágenes e indicaron si pensaban que las imágenes eran genuinas o modificadas, pero ninguno de los radiólogos pudo distinguir de manera fiable entre las dos opciones. "Las redes neuronales, como CycleGAN, no solo pueden aprender cómo se ve el cáncer de mama --dice Becker--, ahora hemos demostrado que pueden insertar estas características aprendidas en las mamografías de pacientes sanos o eliminar las lesiones cancerosas de la imagen y reemplazarlas con tejido de aspecto normal".
El doctor Becker anticipa que este tipo de ataque no será factible durante al menos cinco años y dice que los pacientes no deberían preocuparse en este momento. Sin embargo, espera atraer la atención de la comunidad médica y de los proveedores de hardware y software, para que puedan hacer los ajustes necesarios para abordar este problema mientras aún es teórico.
Becker señala que la inteligencia artificial, en general, enriquecerá la radiología, ofreciendo diagnósticos más rápidos y otras ventajas, y añade que también hay aspectos positivos de estos hallazgos. "Las redes neuronales pueden enseñarnos más sobre las características de la imagen de ciertos tipos de cáncer, lo que nos convierte en mejores médicos", concluye.
