Evaluación del conjunto de datos MedMNIST en hardware cuántico real

Por qué a los ordenadores cuánticos les importan las imágenes médicas

Los hospitales generan enormes colecciones de imágenes médicas—radiografías, exploraciones y preparaciones microscópicas—que los médicos analizan cada vez más con inteligencia artificial. Este estudio plantea una pregunta audaz: ¿pueden los ordenadores cuánticos tempranos de hoy comenzar a compartir esa carga de trabajo? Los autores introducen un amplio y diverso conjunto de imágenes médicas en hardware cuántico real de IBM para ver hasta dónde puede llegar ahora el aprendizaje automático cuántico y en qué puntos todavía se queda corto.

Enseñar a los chips cuánticos a ver patrones médicos

Los investigadores se centran en el aprendizaje automático cuántico, donde la información se procesa usando qubits que pueden existir en múltiples estados a la vez e influenciarse entre sí de maneras que los bits clásicos no pueden. En lugar de mezclar componentes cuánticos con las habituales redes neuronales profundas, emplean deliberadamente modelos exclusivamente cuánticos para probar sus capacidades independientes. Como banco de pruebas adoptan MedMNIST, una colección estandarizada de conjuntos de imágenes médicas ligeras que abarcan radiografías de tórax, exploraciones de retina, lesiones cutáneas, células sanguíneas, tejido de colon y cortes abdominales de TC. Cada conjunto plantea una tarea de clasificación distinta, desde preguntas simples de sí/no (como neumonía o no) hasta problemas multicategoría más difíciles con muchas clases y distribuciones de etiquetas fuertemente desequilibradas.

Comprimir imágenes grandes en dispositivos cuánticos pequeños

Dado que los procesadores cuánticos actuales son pequeños y ruidosos, el equipo no puede alimentar imágenes clínicas completas directamente en los circuitos cuánticos. En su lugar reducen cada imagen a una cuadrícula burda—de 7×7 u 8×8 píxeles—mediante pooling por promedio, y luego traducen cada píxel en una rotación aplicada a un qubit. Esto crea una representación cuántica compacta de la imagen con la que el circuito puede trabajar. Para aprovechar al máximo el hardware limitado, generan circuitos “conscientes del dispositivo” usando una herramienta de diseño automatizado llamada Élivágar. Esta muestrea muchos circuitos candidatos que respetan el cableado real y las características de error del procesador Cleveland de 127 qubits de IBM, los evalúa tanto por resiliencia al ruido como por capacidad para separar clases de imagen, y selecciona los diseños más prometedores para pruebas adicionales.

Entrenamiento en silicio, prueba en un chip cuántico real

Los modelos cuánticos se entrenan primero en un simulador de software sin ruido que se ejecuta en potentes GPU clásicas. Allí se ajustan los parámetros de las puertas de rotación del circuito con métodos de optimización estándar hasta que el circuito simulado distingue mejor las imágenes de entrenamiento. Una vez encontradas buenas configuraciones de parámetros, el equipo las congela y traslada solo la fase de inferencia al dispositivo real de IBM. En el hardware incorporan estrategias avanzadas de manejo de errores: patrones de pulsos adicionales pensados para proteger qubits inactivos del entorno, trucos de aleatorización para promediar errores coherentes y una técnica de limpieza de mediciones que corrige estadísticamente errores de lectura. Un estudio de ablación en uno de los conjuntos de datos más sensibles al ruido muestra que combinar las tres estrategias recupera de forma notable la precisión y la calidad de separación de clases perdidas en comparación con ejecutar el mismo circuito sin protecciones en el dispositivo.

Cómo se comparan los modelos cuánticos con la IA clásica

En ocho conjuntos de MedMNIST, los modelos puramente cuánticos alcanzan un rendimiento sólido pese a usar drásticamente menos características y parámetros que las redes profundas de última generación. En radiografías de tórax para detección de neumonía, por ejemplo, el modelo cuántico logra alrededor del 85% de precisión—prácticamente igualando a redes residuales populares que operan con imágenes de mucho mayor resolución y millones de pesos ajustables. Para problemas multicategoría más complejos, como categorización de enfermedades retinianas y lesiones cutáneas, los modelos cuánticos se quedan por detrás de los sistemas clásicos más potentes, pero siguen siendo sorprendentemente competitivos. Al compararlos con métodos clásicos ligeros entrenados con las mismas entradas de baja resolución, los circuitos cuánticos alcanzan una precisión similar con muchos menos parámetros ajustables, lo que sugiere una relación favorable de “precisión por parámetro” para los diseños cuánticos.

Qué significa esto para la IA médica futura

Para un lector no especializado, el mensaje clave es que los ordenadores cuánticos, incluso en su infancia ruidosa y a pequeña escala, ya pueden abordar puntos de referencia realistas de imágenes médicas de manera significativa—aunque todavía no superan a la mejor IA clásica. Este trabajo establece un benchmark cuidadoso y comparable: una familia de modelos exclusivamente cuánticos, entrenados en simulación y ejecutados en un dispositivo de 127 qubits, evaluados en muchos tipos diferentes de imágenes médicas y comparados rigurosamente con enfoques clásicos establecidos. Los resultados muestran que los modelos cuánticos pueden acercarse al rendimiento clásico usando mucha menos información por imagen, y que un diseño inteligente de circuitos junto con técnicas de manejo de errores es crucial. A medida que el hardware cuántico crezca y se limpie, estas mismas ideas podrían ayudar a impulsar el análisis de imágenes médicas hacia un régimen en el que los procesadores cuánticos ofrezcan no solo paridad, sino ventajas reales sobre las herramientas de IA actuales.

Cita: 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

Palabras clave: aprendizaje automático cuántico, imágenes médicas, MedMNIST, hardware cuántico de IBM, mitigación de errores