قياس أداء مجموعة بيانات MedMNIST على أجهزة كمومية حقيقية

لماذا تهتم الحواسيب الكمومية بالصور الطبية

تولد المستشفيات مجموعات ضخمة من الصور الطبية — أشعة إكس، ومسحات، وشرائح مجهرية — التي بات الأطباء يحلّلونها بشكل متزايد باستخدام الذكاء الاصطناعي. تطرح هذه الدراسة سؤالًا جريئًا: هل تستطيع الحواسيب الكمومية المبكرة اليوم أن تتقاسم هذه المهمة؟ وضع المؤلفون مجموعة واسعة وكبيرة من الصور الطبية عبر أجهزة آي بي إم الكمومية الحقيقية ليروا إلى أي مدى يمكن لتعلّم الآلة الكمومي أن ينجح الآن وأين لا يزال قصيراً.

تعليم رقائق الكم رؤية الأنماط الطبية

يركز الباحثون على التعلّم الآلي الكمومي، حيث تُعالج المعلومات باستخدام بتّات كمومية يمكن أن تتواجد في حالات متعددة في الوقت نفسه وتؤثر إحداها في الأخرى بطرق لا تستطيع البتات العادية تحقيقها. بدلًا من مزج المكونات الكمومية مع شبكات عصبية عميقة مألوفة، يستخدمون عن عمد نماذج كمومية فقط لاختبار قدراتها المستقلة. كحقل اختبار، اعتمدوا MedMNIST، وهي مجموعة معيارية من مجموعات بيانات صور طبية خفيفة تغطي أشعة صدرية، ومسحات شبكية، وآفات جلدية، وخلايا دم، وأنسجة القولون، ومقاطع مقطعية بطنية. تطرح كل مجموعة بيانات مهمة تصنيف مختلفة، من أسئلة بسيطة بنعم/لا (مثل التهاب رئوي أم لا) إلى مشكلات متعددة الفئات أكثر صعوبة مع عدد كبير من الأصناف وتوزيعات تسميات غير متوازنة بشدة.

ضغط الصور الكبيرة في أجهزة كمومية صغيرة

بسبب صغر حجم ومعاناة قصرية المعالجات الكمومية الحالية من الضوضاء، لا يستطيع الفريق إدخال الصور السريرية كاملة مباشرة في الدوائر الكمومية. بدلاً من ذلك، يقلّلون كل صورة إلى شبكة خشنة — إما 7×7 أو 8×8 بكسل — باستخدام تجميع المتوسط، ثم يترجمون كل بكسل إلى دوران يُطبّق على بتّ كمومي. هذا يخلق تمثيلاً كمومياً مضغوطًا للصورة يمكن للدائرة العمل عليه. للاستفادة القصوى من العتاد المحدود، يولّدون دوائر «واعية للجهاز» باستخدام أداة تصميم آلية اسمها Élivágar. تأخذ عينات من العديد من الدوائر المرشحة التي تحترم التوصيلات الفعلية وخصائص الأخطاء لمعالج آي بي إم ذو 127 بتًا في كليفلاند، وتقيّمها من حيث مقاومة الضوضاء والقدرة على فصل الفئات الصورية، ثم تختار أكثر التخطيطات وعدًا للاختبار الإضافي.

التدريب في المحاكاة، والاختبار على شريحة كمومية حقيقية

تُدرَّب النماذج الكمومية أولًا في محاكي برمجي خالٍ من الضوضاء يعمل على وحدات معالجة رسومية تقليدية قوية. هنا تُضبَط معلمات بوابات الدوران في الدائرة باستخدام أساليب تحسين معيارية حتى تميز الدائرة المحاكاة أفضل ما يمكن بين صور التدريب. بعد العثور على إعدادات معلمات جيدة، يجمد الفريق هذه المعلمات وينقل فقط خطوة الاستدلال إلى جهاز آي بي إم الحقيقي. على العتاد، يطبقون استراتيجيات متقدمة لمعالجة الأخطاء: أنماط من نبضات إضافية تهدف إلى حماية البتات الخاملة من المحيط، وحِيَلات عشوائية لتسوية الأخطاء المتماسكة، وتقنية تنظيف القياس التي تصحّح إحصائيًا أخطاء القراءة. تُظهر دراسة إزالة مكوّن على إحدى مجموعات البيانات الأكثر حساسية للضوضاء أن الجمع بين كل الاستراتيجيات الثلاث يستعيد بدلالة كبيرة الدقة المفقودة وجودة فصل الفئات مقارنة بتشغيل نفس الدائرة دون حماية على الجهاز.

كيف تقارن النماذج الكمومية بالذكاء الكلاسيكي

عبر ثماني مجموعات بيانات من MedMNIST، تحقق النماذج الكمومية الخالصة أداءً سليماً بالرغم من استخدامها عددًا أقل بكثير من الميزات والمعلمات مقارنة بالشبكات العميقة المتقدمة. على أشعة الصدر لاكتشاف الالتهاب الرئوي، على سبيل المثال، يصل النموذج الكمومي إلى نحو 85% دقة — ما يعادل إلى حد كبير شبكات الباقي الشعبية التي تعمل على صور عالية الدقة تحتوي على ملايين الأوزان القابلة للتعديل. في المشكلات متعددة الفئات الأكثر تعقيدًا مثل أمراض الشبكية وتصنيف الآفات الجلدية، تتخلف النماذج الكمومية عن أقوى الأنظمة الكلاسيكية لكنها تظل متنافسة بشكل مدهش. عند مقارنتها بأساليب كلاسيكية خفيفة مدربة على نفس المدخلات منخفضة الدقة، تحقق الدوائر الكمومية دقة مماثلة مع عدد أقل بكثير من المعلمات القابلة للضبط، ما يشير إلى تنافسية ربحيّة «دقة لكل معلمة» لصالح التصاميم الكمومية.

ما يعنيه هذا لمستقبل الذكاء الطبي

بالنسبة للقارئ العام، الرسالة الأساسية أن الحواسيب الكمومية، حتى في طفولتها الضوضائية والصغيرة النطاق، قادرة بالفعل على معالجة مقاييس صور طبية واقعية بطريقة ذات مغزى — رغم أنها لم تتفوق بعد على أفضل الذكاء الكلاسيكي. تؤسس هذه الورقة معيارًا محكمًا ومقارنًا: عائلة من النماذج الكمومية فقط، مدرّبة في المحاكاة ومشغّلة على جهاز من 127 بتًا، مقيمة عبر أنواع صور طبية متعددة ومقارنة بدقة مع الأساليب الكلاسيكية الراسخة. تُظهر النتائج أن النماذج الكمومية يمكن أن تقترب من أداء الكلاسيك مع استخدام معلومات أقل بكثير لكل صورة، وأن التصميم الذكي للدوائر وتقنيات معالجة الأخطاء أمران حاسمان. مع نمو العتاد الكمومي ليصبح أكبر وأنظف، قد تساعد هذه الأفكار نفسها في دفع تحليل الصور الطبية إلى نطاق حيث لا توفر المعالجات الكمومية التكافؤ فحسب، بل مزايا حقيقية مقارنة بأدوات الذكاء الحالية.

الاستشهاد: Singh, G., Jin, H. & Merz Jr., K.M. Benchmarking MedMNIST dataset on real quantum hardware. Sci Rep 16, 9017 (2026). https://doi.org/10.1038/s41598-026-35605-3

الكلمات المفتاحية: تعلم آلي كمومي, التصوير الطبي, MedMNIST, أجهزة آي بي إم الكمومية, تخفيف الأخطاء