Гибридная квантово-классическая модель поможет в ранней диагностике рака груди
От визуализации к диагнозу: схема эксперимента. Автор: Ясмин Родригес Собриньо
Исследователи из Университета Сан-Паулу (UNESP) в Бразилии разработали гибридную квантово-классическую модель для поддержки диагностики рака молочной железы по медицинским изображениям. Работа была представлена на 38-м Международном симпозиуме IEEE по компьютерным медицинским системам.
Учёные создали гибридную нейронную сеть, сочетающую квантовые и классические слои с использованием подхода, известного как кванволюционная нейронная сеть (QNN). Модель применялась к маммограммам и ультразвуковым изображениям для классификации поражений как доброкачественных или злокачественных.
«Мы хотели создать очень простую архитектуру, которая использовала бы квантовые вычисления, но содержала минимум квантовых и классических устройств», — говорит Ясмин Родригес, первый автор исследования.
Рак молочной железы был выбран для тестирования модели, поскольку это самый распространённый тип рака среди женщин во всём мире. В 2022 году было зарегистрировано 2,3 миллиона случаев и 670 000 смертей. Раннее обнаружение имеет решающее значение для увеличения шансов на излечение.
«Хотя маммография теоретически проста для выполнения, её интерпретация всё ещё сильно зависит от специалиста, проводящего процедуру», — отмечает профессор Жуан Пауло Папа.
Отличительной особенностью работы UNESP является использование квантового свёрточного слоя вместе с классическим слоем. Квантовая свёртка извлекает локальные признаки из структурированных данных, таких как изображения, используя уникальные свойства квантовых систем — суперпозицию и запутанность.
В исследовании квантовый слой, состоящий из четырёх кубитов, заменил традиционный процесс извлечения признаков из изображений. Модель была протестирована на двух базах данных: BreastMNIST (с ультразвуковыми изображениями) и BCDR (с сегментированными маммограммами).
Несмотря на использование всего четырёх кубитов, гибридная сеть показала конкурентоспособные результаты. В лучшем случае она достигла точности 87,2% в тестовом наборе и 86,1% в валидационном наборе.
«Классическая сеть с наилучшей производительностью имела 11 миллионов параметров. Наша, с квантовым слоем, — около 5000. Это меняет всё», — сравнивает Родригес.
Хотя исследование было сосредоточено на раке молочной железы, разработанная архитектура может быть применена и в других областях, например, для анализа поражений головного мозга или классификации тканей в микроскопических изображениях.
Больше информации: Yasmin Rodrigues Sobrinho et al, A Hybrid Quantum-Classical Model for Breast Cancer Diagnosis with Quanvolutions, 2025 IEEE 38th International Symposium on Computer-Based Medical Systems (CBMS) (2025). DOI: 10.1109/cbms65348.2025.00065
0 комментариев