Benchmarking des MedMNIST-Datensatzes auf echter Quantenhardware

Warum Quantencomputer sich für medizinische Bilder interessieren

Krankenhäuser erzeugen riesige Bestände an medizinischen Bildern — Röntgenaufnahmen, Scans und Mikroskoppräparate —, die Ärztinnen und Ärzte zunehmend mit Hilfe künstlicher Intelligenz auswerten. Diese Studie stellt eine mutige Frage: Können die heutigen frühen Quantencomputer einen Teil dieser Arbeit übernehmen? Die Autorinnen und Autoren führen eine große, vielfältige Menge medizinischer Bilder durch echte IBM-Quantenhardware, um zu prüfen, wie weit Quanten-Machine-Learning derzeit kommt und wo es noch Defizite gibt.

Quantenchips beibringen, medizinische Muster zu erkennen

Die Forschenden konzentrieren sich auf Quanten-Machine-Learning, bei dem Informationen mit Quantenbits verarbeitet werden, die gleichzeitig in mehreren Zuständen existieren können und sich gegenseitig auf Arten beeinflussen, die klassische Bits nicht erlauben. Anstatt Quantenkomponenten mit bekannten tiefen neuronalen Netzen zu mischen, setzen sie bewusst ausschließlich auf Quantemodelle, um deren eigenständige Fähigkeiten zu testen. Als Testumgebung verwenden sie MedMNIST, eine standardisierte Sammlung leichter medizinischer Bilddatensätze, die Bruströntgenaufnahmen, Netzhautscans, Hautläsionen, Blutzellen, Kolon-Gewebe und CT-Aufnahmen des Bauches abdeckt. Jeder Datensatz stellt eine andere Klassifikationsaufgabe, von einfachen Ja/Nein-Fragen (etwa Pneumonie ja/nein) bis hin zu schwierigeren Mehrklassenproblemen mit vielen Kategorien und stark unausgeglichenen Label-Verteilungen.

Große Bilder in kleine Quantengeräte pressen

Da heutige Quantenprozessoren klein und fehleranfällig sind, kann das Team keine vollständigen klinischen Bilder direkt in die Quanten-Schaltkreise einspeisen. Stattdessen reduzieren sie jedes Bild auf ein grobes Gitter — entweder 7×7 oder 8×8 Pixel — mittels Average-Pooling und übersetzen dann jedes Pixel in eine Rotation, die auf ein Qubit angewendet wird. Dadurch entsteht eine kompakte Quantenrepräsentation des Bildes, mit der der Schaltkreis arbeiten kann. Um die begrenzte Hardware optimal zu nutzen, erzeugen sie „gerätesensitive“ Schaltkreise mithilfe eines automatisierten Entwurfswerkzeugs namens Élivágar. Dieses sampelt viele Kandidaten-Schaltkreise, die die tatsächliche Verkabelung und Fehlercharakteristik von IBMs 127-Qubit-Prozessor in Cleveland berücksichtigen, bewertet sie sowohl hinsichtlich Rauschresistenz als auch Trennfähigkeit der Bildklassen und wählt die vielversprechendsten Layouts für weitere Tests aus.

In Silico trainieren, auf einem echten Quantenchip testen

Die Quantenmodelle werden zunächst in einem rauscharbeitenlosen Softwaresimulator auf leistungsfähigen klassischen GPUs trainiert. Dort werden die Parameter der Rotationsgatter des Schaltkreises mit Standardoptimierungsverfahren so angepasst, dass der simulierte Schaltkreis die Trainingsbilder bestmöglich unterscheidet. Sobald gute Parameter gefunden sind, friert das Team diese ein und verlagert nur den Inference-Schritt auf das echte IBM-Gerät. Auf der Hardware fügen sie erweiterte Fehlerbehandlungsstrategien hinzu: Muster zusätzlicher Pulse, die ruhende Qubits vor der Umgebung abschirmen sollen, Randomisierungstricks, um kohärente Fehler zu mitteln, und eine Messbereinigungs­technik, die Auslesefehler statistisch korrigiert. Eine Ablationsstudie an einem der am stärksten rauschempfindlichen Datensätze zeigt, dass die Kombination aller drei Strategien die verlorene Genauigkeit und die Klassen-Trennschärfe im Vergleich zum unverstärkten Betrieb desselben Schaltkreises auf dem Gerät deutlich wiederherstellt.

Wie Quantenmodelle im Vergleich zur klassischen KI abschneiden

Über acht MedMNIST-Datensätze erzielen die rein quantenbasierten Modelle solide Leistungen, obwohl sie deutlich weniger Merkmale und Parameter verwenden als moderne tiefe Netzwerke. Bei Bruströntgenaufnahmen zur Pneumonie-Erkennung erreicht das Quantenmodell beispielsweise etwa 85 % Genauigkeit — im Wesentlichen vergleichbar mit populären Residualnetzwerken, die auf deutlich höher aufgelösten Bildern mit Millionen einstellbarer Gewichte arbeiten. Bei komplexeren Mehrklassenproblemen wie Netzhauterkrankungen und Hautläsionen liegen die Quantenmodelle hinter den stärksten klassischen Systemen, bleiben aber überraschend konkurrenzfähig. Im Vergleich zu leichten klassischen Methoden, die auf denselben niedrig aufgelösten Eingaben trainiert wurden, erreichen die Quanten-Schaltkreise ähnliche Genauigkeiten mit weit weniger anpassbaren Parametern, was auf ein günstiges „Genauigkeit-pro-Parameter“-Verhältnis der Quantenentwürfe hindeutet.

Was das für die zukünftige medizinische KI bedeutet

Für eine sachliche Leserschaft ist die Kernbotschaft, dass Quantencomputer, selbst in ihrem verrauschten, kleinskaligen Anfangsstadium, bereits realistische Benchmarks der medizinischen Bildgebung auf sinnvolle Weise bearbeiten können — auch wenn sie die beste klassische KI noch nicht übertreffen. Diese Arbeit etabliert ein sorgfältiges, vergleichbares Benchmark: eine Familie rein quantenbasierter Modelle, die in der Simulation trainiert und auf einem 127-Qubit-Gerät ausgeführt werden, über viele verschiedene medizinische Bildtypen hinweg evaluiert und stringent mit etablierten klassischen Ansätzen verglichen. Die Ergebnisse zeigen, dass Quantenmodelle nahe an die klassische Leistung herankommen können, während sie deutlich weniger Information pro Bild verwenden, und dass intelligentes Schaltkreisdesign plus Fehlerbehandlungs­techniken entscheidend sind. Mit wachsender und sauberer werdender Quantenhardware könnten dieselben Ideen die medizinische Bildanalyse in ein Regime bringen, in dem Quantenprozessoren nicht nur Gleichstand erreichen, sondern echte Vorteile gegenüber heutigen KI-Werkzeugen bieten."}

Zitation: 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

Schlüsselwörter: quantenbasierte maschinelle lernverfahren, medizinische Bildgebung, MedMNIST, IBM-Quantenhardware, Fehlerminderung