Исследователи Университета штата Сан-Паулу предложили новый подход к медицинской диагностике, объединив квантовые и классические вычисления. Их модель, называемая quanvolutional neural network (QNN), показала эффективность при анализе маммографий и ультразвуковых изображений для классификации опухолей как доброкачественных или злокачественных. Об этом ученые сообщили на конференции IEEE 38th International Symposium on Computer-Based Medical Systems (IEEE).
Архитектура нейросети использует всего четыре кубита (квантовых единиц информации), обрабатывающих пиксели изображений, а затем передает данные в простые классические слои, которые выдают финальный диагноз. Несмотря на минимализм, сеть достигла точности до 87,2% на тестовых данных.
Главное отличие метода от классических нейросетей в том, что квантовый слой способен извлекать признаки из изображений за счет принципов суперпозиции и запутанности. Это позволяет обрабатывать информацию значительно быстрее и эффективнее при существенно меньшем числе параметров: у гибридной модели их около 5 тысяч, тогда как у сравнимой классической сети — 11 миллионов.
Авторы подчеркивают, что пока использовался симулятор квантового процессора на платформе PennyLane, так как реальные квантовые компьютеры остаются дорогими, нестабильными и малодоступными. Тем не менее, даже на уровне симуляции показаны перспективные результаты.
Хотя работа фокусировалась на раке груди — наиболее распространенном виде онкологии среди женщин (2,3 млн случаев в 2022 году) — архитектура может применяться и для других задач: например, анализа мозговых поражений или тканевых срезов в микроскопии.
Исследователи считают, что это лишь первый шаг к новому вычислительному парадигме в медицине: квантово-классические гибридные сети могут стать важным инструментом ранней диагностики в будущем.
Ранее был разработан анализ, предсказывающий развитие рака груди.
