Архитектура QNN использует всего четыре кубита для обработки пикселей изображений, после чего данные передаются в классические слои для финального анализа. Несмотря на минималистичную конструкцию, сеть достигла точности в 87,2% на тестовых данных. Для сравнения: предложенная гибридная модель содержит около 5 тысяч параметров, тогда как классическая нейросеть сопоставимой производительности — более 11 миллионов.
Ключевое преимущество метода заключается в том, что квантовый слой извлекает признаки изображений, используя принципы суперпозиции и запутанности. Это позволяет анализировать медицинские данные быстрее и эффективнее, не жертвуя при этом точностью.
Пока учёные работали на симуляторе квантового процессора в рамках платформы PennyLane, поскольку реальные квантовые компьютеры остаются дорогими и недостаточно стабильными. Тем не менее, даже на уровне симуляции были получены результаты, подтверждающие перспективность подхода.
Хотя исследование было сосредоточено на диагностике рака молочной железы — наиболее распространённого вида онкологии среди женщин (2,3 млн случаев в 2022 году), авторы полагают, что архитектура QNN может найти применение и в других областях. Например, для анализа поражений головного мозга или работы с микроскопическими изображениями тканей.
Учёные подчёркивают, что гибридные квантово-классические сети открывают путь к новой парадигме медицинских вычислений и в перспективе могут стать важным инструментом ранней диагностики.
Почему это важно
- Рак молочной железы — наиболее распространённый вид онкологии среди женщин, и ранняя диагностика напрямую влияет на успех лечения.
- Гибридные квантово-классические модели позволяют анализировать данные быстрее и с меньшими вычислительными затратами по сравнению с традиционными нейросетями.
- Эта технология открывает перспективы для применения не только в онкологии, но и в других областях медицины, где критически важны точность и скорость анализа изображений.