Évaluation du jeu de données MedMNIST sur du matériel quantique réel

Pourquoi les ordinateurs quantiques s’intéressent aux images médicales

Les hôpitaux génèrent d’immenses collections d’images médicales — radiographies, scanners et lames de microscope — que les médecins analysent de plus en plus avec de l’intelligence artificielle. Cette étude pose une question audacieuse : les premiers ordinateurs quantiques d’aujourd’hui peuvent-ils commencer à partager cette charge de travail ? Les auteurs soumettent un vaste et divers ensemble d’images médicales au matériel quantique réel d’IBM pour mesurer jusqu’où l’apprentissage automatique quantique peut aller maintenant, et où il reste insuffisant.

Apprendre aux puces quantiques à reconnaître des motifs médicaux

Les chercheurs se concentrent sur l’apprentissage automatique quantique, où l’information est traitée à l’aide de qubits capables d’occuper plusieurs états simultanément et d’influer les uns sur les autres d’une manière impossible pour des bits classiques. Plutôt que de mêler des composants quantiques à des réseaux neuronaux profonds familiers, ils utilisent délibérément seulement des modèles quantiques pour tester leurs capacités autonomes. Comme banc d’essai, ils adoptent MedMNIST, une collection standardisée de jeux de données d’imagerie médicale légère couvrant des radiographies thoraciques, des clichés rétiniens, des lésions cutanées, des cellules sanguines, des tissus du côlon et des coupes de scanner abdominal. Chaque jeu pose une tâche de classification différente, depuis des questions simples oui/non (comme pneumonie ou non) jusqu’à des problèmes multiclasses plus difficiles avec de nombreuses catégories et des distributions de labels fortement déséquilibrées.

Compresser de grandes images pour de petits appareils quantiques

Parce que les processeurs quantiques actuels sont petits et bruyants, l’équipe ne peut pas alimenter des images cliniques complètes directement dans les circuits quantiques. À la place, ils réduisent chaque image à une grille grossière — soit 7×7 soit 8×8 pixels — en utilisant un pooling par moyenne, puis traduisent chaque pixel en une rotation appliquée à un qubit. Cela crée une représentation quantique compacte de l’image que le circuit peut traiter. Pour tirer le meilleur parti du matériel limité, ils génèrent des circuits « sensibles au dispositif » à l’aide d’un outil de conception automatisé appelé Élivágar. Il échantillonne de nombreux circuits candidats respectant le câblage réel et les caractéristiques d’erreur du processeur Cleveland à 127 qubits d’IBM, les évalue selon leur résilience au bruit et leur capacité à séparer les classes d’images, puis sélectionne les configurations les plus prometteuses pour des tests ultérieurs.

Entraînement en silicium, tests sur une puce quantique réelle

Les modèles quantiques sont d’abord entraînés dans un simulateur logiciel sans bruit fonctionnant sur de puissants GPU classiques. Là, les paramètres des portes de rotation du circuit sont ajustés avec des méthodes d’optimisation standard jusqu’à ce que le circuit simulé distingue au mieux les images d’entraînement. Une fois de bons réglages trouvés, l’équipe les fige et ne déplace sur l’appareil IBM réel que l’étape d’inférence. Sur le matériel, ils ajoutent des stratégies avancées de gestion des erreurs : des séquences de pulsations supplémentaires destinées à protéger les qubits inactifs de l’environnement, des astuces de randomisation pour moyenniser les erreurs cohérentes, et une technique de nettoyage des mesures qui corrige statistiquement les erreurs de lecture. Une étude d’ablation sur l’un des jeux de données les plus sensibles au bruit montre que la combinaison des trois stratégies récupère sensiblement la précision perdue et la qualité de séparation des classes par rapport à l’exécution du même circuit sans protections sur l’appareil.

Comment les modèles quantiques se comparent à l’IA classique

Sur huit jeux MedMNIST, les modèles purement quantiques obtiennent des performances solides malgré l’utilisation d’un nombre de caractéristiques et de paramètres drastiquement inférieur à celui des réseaux profonds à la pointe. Sur les radiographies thoraciques pour la détection de la pneumonie, par exemple, le modèle quantique atteint environ 85 % de précision — approchant essentiellement les réseaux résiduels populaires qui opèrent sur des images de bien plus haute résolution avec des millions de poids ajustables. Pour des problèmes plus complexes et multiclasses comme la détection de maladies rétiniennes ou la catégorisation de lésions cutanées, les modèles quantiques restent derrière les systèmes classiques les plus performants mais demeurent étonnamment compétitifs. Comparés à des méthodes classiques légères entraînées sur les mêmes entrées basse résolution, les circuits quantiques atteignent une précision similaire avec beaucoup moins de paramètres ajustables, suggérant un rapport « précision par paramètre » favorable pour les architectures quantiques.

Ce que cela signifie pour l’IA médicale future

Pour un lecteur non spécialiste, le message clé est que les ordinateurs quantiques, même dans leur enfance bruyante et à petite échelle, peuvent déjà traiter de manière significative des bancs d’essai réalistes d’imagerie médicale — sans pour autant surpasser encore la meilleure IA classique. Ce travail établit un benchmark rigoureux et comparable : une famille de modèles uniquement quantiques, entraînés en simulation et exécutés sur un dispositif à 127 qubits, évalués sur de nombreux types d’images médicales et comparés de façon rigoureuse aux approches classiques établies. Les résultats montrent que les modèles quantiques peuvent se rapprocher des performances classiques tout en utilisant beaucoup moins d’information par image, et que la conception intelligente des circuits ainsi que les techniques de gestion des erreurs sont cruciales. À mesure que le matériel quantique deviendra plus grand et plus propre, ces mêmes idées pourraient aider à pousser l’analyse d’images médicales dans un régime où les processeurs quantiques offriraient non seulement la parité, mais de réels avantages par rapport aux outils d’IA actuels.

Citation: 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

Mots-clés: apprentissage quantique automatique, imagerie médicale, MedMNIST, matériel quantique IBM, atténuation des erreurs