Új korszak az orvosi képelemzésben
A kutatók olyan kvantum-klasszikus rétegeket ötvöző szoftverarchitektúrán dolgoztak, amelyet QNN-nek – kvantumkonvolúciós neurális hálózatnak – neveznek. Mammográfiai és ultrahangos képeken tesztelték, ahol a fő cél a daganatok jó- és rosszindulatú elváltozásai közötti sikeres különbségtétel volt. Az egyszerűség kedvéért mindössze négy kvantumbitből (qubit) álló kvantumréteget használtak a képi jellemzők kinyerésére, melyet klasszikus rétegek követtek a végső kategorizálás érdekében.
Drasztikus különbség mutatkozott az MI-hálózat paramétereinek számában: míg a legeredményesebb hagyományos neurális hálózat 11 millió paraméterrel dolgozott, a kvantumos megoldás mindössze 5000-rel volt képes hasonló vagy jobb eredményt produkálni. Ezzel szemben a hagyományos diagnosztika, mint például a mammográfia, döntően az orvos gyakorlott szemén múlik, ami jelentős szubjektivitással jár.
Kvantumfizikai varázslat a diagnosztikában
A kvantumkonvolúció lényege, hogy a kvantumrendszerek különleges tulajdonságait – például a szuperpozíciót és az összefonódást – használja ki. Ez lehetővé teszi, hogy a rendszer a képi adatokat jóval hatékonyabban dolgozza fel, mint a klasszikus megoldások. A szuperpozíció azt jelenti, hogy a qubit egyszerre lehet „0” és „1” állapotban, akár 70% „0” és 30% „1” arányban, bármilyen kombinációban – ezáltal egységnyi hardverrel lényegesen több információ kezelhető, mint hagyományos bitekkel.
Maguk a kutatók is elismerik: nem kvantumhardvert használtak, hanem a PennyLane nevű szimulációs szoftvert, amely ideális, zajmentes körülmények között modellezi a kvantumáramköröket. Igazi kvantumszámítógépből csak néhány létezik a világon, és működtetésük rendkívül drága: a több tucat vagy legfeljebb néhány száz qubitet teljesen tiszta helyiségekben, a fagypontnál is hidegebben kell tartani. Számítógépes szimulátorral azonban el lehet játszani azt, „mi lenne, ha” – hibák és külső zavarok nélkül, szinte laboratóriumi tisztasággal.
Eredmények, adatok, jövőképek
A kutatók két ismert adatbázison próbálták ki modelljüket: a BreastMNIST-en (ultrahangos képanyagon) és a BCDR-en (szegmentált mammográfiákon). A hibrid hálózat egy 4 qubites áramkörrel is versenyképes eredményeket mutatott: a teszt adathalmazon 87,2%-os, a validáción pedig 86,1%-os találati aránnyal.
Figyelemre méltó, hogy magas eredmények születtek úgy is, hogy egyes képekről csak néhány pixel információját kódolták a qubitekbe. Az architektúra lényegesen kevesebb számítási kapacitást igényelt, mint klasszikus társai, így kevésbé megterhelő, akár egy egyszerűbb számítógépen is. Ez alapján arra lehet következtetni, hogy a kvantum-alapú diagnosztikai MI-k nemcsak pontosak, hanem gazdaságosabbak és gyorsabbak lehetnek a jövőben.
Kitekintés: nem csak mellrák
Eredetileg a mellrák felismerése volt a fókusz, ám az algoritmus elvileg agyi elváltozások vagy mikroszkópos szövetminták értékelésére is alkalmazható. Az orvosi diagnosztika teljesen új korszakába léphet: ez az irány akár néhány éven belül radikálisan átalakíthatja, hogyan használjuk ki a gépi tanulás, az MI és a kvantumszámítási kapacitás előnyeit.
A fejlődés üteme alapján ma már nem légből kapott elképzelés, hogy néhány évtized múlva mindenkinek jut majd kvantumszámítógép az otthonában – ahogyan ma is mindenki használ notebookot vagy okostelefont.
