A Multiparty Homomorphic Encryption Approach to Confidential Federated Kaplan Meier Survival Analysis

Este trabajo presenta un marco federado de análisis de supervivencia Kaplan-Meier que utiliza cifrado homomórfico umbral CKKS para permitir la colaboración segura entre múltiples instituciones, garantizando la privacidad de los datos sensibles sin sacrificar la precisión de los resultados.

Lo esencial

Imagina que varios hospitales quieren responder a una pregunta vital: "¿Cuánto tiempo sobreviven los pacientes con un tipo específico de cáncer después del tratamiento?"

Para responder con precisión, necesitan combinar los datos de miles de pacientes de todos los hospitales. Pero aquí surge el problema: la privacidad. Ningún hospital puede enviar sus listas de pacientes a un servidor central porque eso revelaría información médica sensible y privada. Es como si cada hospital tuviera un cofre con sus secretos y nadie quisiera abrirlo.

Este artículo presenta una solución mágica llamada Criptografía Homomórfica (específicamente un tipo llamado CKKS). Vamos a explicarlo con una analogía sencilla.

1. El Problema: El "Cofre" y el "Ladrón"

Imagina que cada hospital tiene un cofre (sus datos).

• El método antiguo (sin cifrado): Los hospitales abrían sus cofres, enviaban las listas de números a un coordinador, quien las sumaba y devolvía el resultado.
  • El riesgo: Si un hospital es un poco "curioso" (o malicioso), puede tomar la lista final, restar sus propios números y adivinar exactamente qué tenían los otros hospitales. Es como si te dijera: "El total de la cuenta es 100 dólares, yo puse 20, así que tú pusiste 80". ¡Tu secreto está descubierto!

2. La Solución: Cifrar sin Abrir

Los autores proponen un sistema donde los hospitales nunca abren sus cofres. En su lugar, usan un lápiz mágico (el cifrado homomórfico).

• La analogía del guante de goma: Imagina que cada hospital pone sus números dentro de una caja de goma muy resistente y la envía al coordinador.
• El truco: El coordinador tiene guantes de goma especiales que le permiten sumar los números dentro de las cajas sin romperlas ni ver lo que hay dentro. Puede empujar, mezclar y sumar las cajas, pero los números siguen ocultos.
• El resultado: Al final, el coordinador tiene una sola caja gigante que contiene la suma de todos los hospitales, pero sigue cerrada.

3. El "Comité de Llave" (Desencriptación)

¿Cómo obtenemos el resultado final sin que nadie vea los datos individuales?

• Aquí entra el Comité de Desencriptación. Imagina que la caja gigante tiene una cerradura compleja que requiere varias llaves para abrirse (por ejemplo, 5 llaves de 5 hospitales diferentes).
• Ningún hospital tiene la llave completa. Cada uno tiene un "fragmento" de llave.
• Solo cuando se juntan suficientes fragmentos (un umbral), la caja se abre y revela solo el resultado final: la curva de supervivencia.
• La clave: La caja se abre para mostrar solo la respuesta final ("El 80% sobrevive 5 años"), pero nunca muestra las listas intermedias de quién puso qué número. Así, nadie puede hacer la resta para robar los secretos de los demás.

4. ¿Qué descubrieron los autores?

El equipo de investigación (de Noruega) probó este sistema con datos simulados de 60,000 pacientes distribuidos en 500 hospitales virtuales.

• Precisión perfecta: Descubrieron que la curva de supervivencia calculada con este sistema "mágico" es numéricamente idéntica a la que obtendrías si mezclaras todos los datos en una sola base de datos central (lo cual es ilegal por privacidad). Es como si el lápiz mágico no distorsionara ni un solo número.
• Velocidad y Eficiencia: Demostraron que el sistema escala bien. Si añades más hospitales, el tiempo y el costo de comunicación crecen de forma predecible y lineal (no se vuelve un caos).
• Empaquetado Inteligente: Usaron una técnica llamada "interleaving" (entrelazado). Imagina que en lugar de enviar dos cajas separadas (una para "número de pacientes" y otra para "número de eventos"), metes ambos números en una sola caja de forma alternada. Esto reduce el tamaño de los mensajes y acelera todo el proceso.

5. ¿Por qué es importante?

Hasta ahora, hacer estudios grandes de supervivencia sin violar la privacidad era casi imposible o requería sacrificar precisión.

• Antes: O protegías la privacidad y tenías datos imprecisos, o tenías datos precisos y rompías la privacidad.
• Ahora: Con este método, puedes tener ambas cosas. Los hospitales pueden colaborar para salvar vidas con datos de alta calidad, sin que nadie pueda espiar a sus vecinos.

En resumen

Este papel describe un sistema de colaboración segura donde los hospitales pueden "sumar sus secretos" sin revelarlos. Utilizan una tecnología matemática avanzada que permite hacer cálculos sobre datos cifrados, asegurando que el resultado final sea tan preciso como si todos los datos estuvieran juntos, pero manteniendo cada dato individual bajo llave para siempre. Es un gran paso para la medicina del futuro, donde la privacidad y la ciencia pueden ir de la mano.

Resumen técnico

Resumen Técnico: Enfoque de Criptografía Homomórfica Multiparte para Análisis de Supervivencia Kaplan-Meier Federado y Confidencial

1. El Problema

El análisis de supervivencia (específicamente el estimador de Kaplan-Meier, KM) es fundamental en la investigación clínica y epidemiológica. Sin embargo, la colaboración entre múltiples instituciones se ve obstaculizada por estrictas restricciones de privacidad y gobernanza que impiden la centralización de registros de salud sensibles.

• Limitaciones de los enfoques actuales:
  • Los sistemas federados existentes que utilizan criptografía de enteros (como BFV/BGV) requieren codificaciones de punto fijo complejas para datos reales.
  • Los enfoques basados en Privacidad Diferencial (DP) pueden degradar la fidelidad de las curvas de supervivencia, especialmente en regímenes con pocos eventos.
  • Brecha de seguridad crítica (Gap 1): En los protocolos federados de dos rondas que intercambian conteos en texto plano, un sitio participante puede reconstruir exactamente las contribuciones de los demás sitios mediante una simple resta aritmética ($n_{otros} = n_{total} - n_{propio}$). Este ataque de reconstrucción por sustracción ha sido poco cuantificado pero es trivialmente efectivo.

2. Metodología Propuesta

Los autores presentan un marco federado de privacidad que utiliza Criptografía Homomórfica (HE) de umbral basada en el esquema CKKS (Cheon-Kim-Kim-Song). Este esquema soporta aritmética aproximada de punto flotante y empaquetado SIMD (Single Instruction, Multiple Data).

Arquitectura del Protocolo:
El protocolo se divide en tres fases principales:

1. Fase A (Configuración y Alineación):
   • Generación de claves distribuida (DKG) para crear una clave pública conjunta y compartir secretos de clave privada entre los sitios.
   • Los sitios suben sus tiempos de supervivencia observados únicos en texto plano para construir una cuadrícula de alineación global ($T_{all}$).
2. Fase B (Agregación Encriptada):
   • Cada sitio calcula localmente los conteos de eventos ($d_i$) y los conteos en riesgo ($n_i$) alineados a la cuadrícula global.
   • Estos vectores se empaquetan y encriptan utilizando CKKS. Se proponen dos modos de empaquetado:
     • Entrelazado (Interleaved): Co-empaquetado de pares $(n_i, d_i)$ en un solo flujo de texto cifrado.
     • Separado: Dos flujos de texto cifrado independientes para $n$ y $d$.
   • El coordinador realiza sumas homomórficas de los vectores encriptados de todos los sitios.
3. Fase C (Descifrado de Umbral y Salida):
   • Un comité de desencriptadores (puede incluir a los propios sitios o un subconjunto) genera "partes" de descifrado.
   • Estas partes se fusionan para recuperar los conteos agregados en texto plano solo dentro del comité.
   • Gating de Salida (Output Gating): El sistema nunca revela las tablas de conteos por punto de tiempo $(n_t, d_t)$ a los sitios participantes. Solo se publica la curva de supervivencia final $\hat{S}_{HE}(t)$ y, opcionalmente, bandas de confianza.

3. Contribuciones Clave

1. Marco CKKS de Multipartes con Umbral:
   • Implementación completa que combina HE aproximada con descifrado de umbral y un estricto control de salida. Esto cierra el canal de ataque de reconstrucción por sustracción, ya que los sitios nunca ven los conteos agregados en texto plano.
2. Garantías a Nivel de Estimador:
   • Demostración teórica de que el KM federado en texto plano es idéntico al oráculo centralizado.
   • Prueba de que la evaluación exacta de HE reproduce el oráculo.
   • Derivación de un límite de perturbación para CKKS con un corolario de convergencia uniforme, demostrando que el error numérico tiende a cero a medida que el ruido disminuye.
   • Resultado de identificabilidad: Publicar solo la curva de supervivencia revela las razones de riesgo (hazard ratios), pero no determina los totales enteros $(d_i, n_i)$ ni la división por sitio, haciendo imposible la reconstrucción de datos individuales.
3. Optimalidad de Empaquetado y Leyes de Escala:
   • Prueba de que el empaquetado entrelazado de $(n_i, d_i)$ es óptimo para minimizar el número de textos cifrados bajo agregación de solo-suma.
   • Derivación de leyes de escala cerradas para la comunicación y el cómputo: el ancho de banda crece linealmente con el número de sitios ($K$) y de manera escalonada con el número de puntos de tiempo ($|T|$).
4. Validación Empírica a Gran Escala:
   • Evaluación con hasta 500 sitios utilizando datos sintéticos de cáncer de mama (N=60,000) y el conjunto de datos real de cáncer de pulmón NCCTG.
   • Demostración de que las curvas federadas encriptadas son numéricamente indistinguibles del oráculo centralizado (precisión de $10^{-8}$).

4. Resultados Principales

• Seguridad (RQ1): En el protocolo de texto plano, la reconstrucción de las contribuciones de otros sitios es exacta (error relativo ~0, coincidencia exacta del 100%). El protocolo propuesto elimina este vector de ataque al no revelar los conteos intermedios.
• Fidelidad Numérica (RQ2-RQ3): Las curvas de supervivencia, el Tiempo Medio de Supervivencia Restringido (RMST) y las bandas de confianza generadas con HE coinciden con el oráculo centralizado dentro de los límites de ruido numérico de la máquina. No hay diferencia estadística significativa.
• Eficiencia y Empaquetado (RQ4-RQ6):
  • El modo entrelazado reduce el número de textos cifrados y el tráfico de comunicación en comparación con el modo separado, logrando una aceleración de computación de hasta un 22% en grandes federaciones (500 sitios).
  • El tiempo de ejecución escala linealmente con el número de sitios ($O(K)$).
  • El tráfico de subida (uplink) escala linealmente con $K$, mientras que el tráfico de partes de descifrado escala linealmente con el tamaño del comité ($R$).

5. Significado e Impacto

Este trabajo representa un avance significativo en el análisis de datos médicos federados al resolver el dilema entre privacidad y utilidad estadística:

• Privacidad Real: Elimina la vulnerabilidad crítica de reconstrucción por sustracción presente en los métodos federados anteriores, permitiendo colaboraciones multi-institucionales sin riesgo de filtración de datos individuales.
• Precisión Clínica: A diferencia de los métodos de Privacidad Diferencial que añaden ruido aleatorio, este enfoque mantiene la fidelidad estadística necesaria para la toma de decisiones clínicas, con errores insignificantes.
• Escalabilidad: Proporciona leyes de escala predictivas que permiten a las instituciones planificar la infraestructura necesaria (ancho de banda, tiempo de cómputo) para federaciones de cientos de nodos.
• Viabilidad Operativa: Demuestra que la criptografía homomórfica, a menudo considerada prohibitivamente lenta, es viable para cargas de trabajo de análisis de supervivencia a gran escala con una sobrecarga predecible y manejable.

En resumen, el artículo establece un nuevo estándar para el análisis de supervivencia colaborativo, demostrando que es posible realizar estudios de alta fidelidad sobre datos sensibles distribuidos sin comprometer la confidencialidad de los pacientes ni la integridad de los resultados estadísticos.