Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

הערכת ביצועים של מאגר הנתונים MedMNIST על חומרה קוונטית אמיתית

· חזרה לאינדקס

למה מחשבים קוונטיים מתעניינים בתמונות רפואיות

בתי חולים מייצרים אוספים עצומים של תמונות רפואיות — צילום רנטגן, סריקות ופרפראות מיקרוסקופיות — שהרופאים מנתחים יותר ויותר בעזרת בינה מלאכותית. המחקר הזה שואל שאלה נועזת: האם המחשבים הקוונטיים המוקדמים של היום יכולים להתחיל לחלוק בעומס העיבוד הזה? החוקרים העבירו מערך גדול ומגוון של תמונות רפואיות דרך חומרת IBM הקוונטית על מנת לבדוק עד כמה למידת מכונה קוונטית יכולה להצליח כבר עכשיו, ואיפה היא עדיין נופלת קצר.

Figure 1
Figure 1.

להדריך שבבי קוונטים לזהות תבניות רפואיות

החוקרים מתמקדים בלמידת מכונה קוונטית, שבה המידע מעובד באמצעות ביטים קוונטיים היכולים להתקיים בכמה מצבים במקביל ובהשפעה הדדית שאינה ניתנת לביטים מקובלים. במקום לשלב רכיבים קוונטיים עם רשתות נוירונים עמוקות מוכרות, הם משתמשים בכוונה במודלים קוונטיים בלבד כדי לבדוק את יכולותיהם העצמאיות. כבסיס ניסיוני הם מאמצים את MedMNIST, אוסף סטנדרטי של ערכות נתונים קלות של דימות רפואי הכולל צילומי חזה, סריקות רשתית, נגעי עור, תאי דם, רקמת קולון ופרוסות CT בטן. כל ערכת נתונים מציבה משימת סיווג שונה, משאלות פשוטות כן/לא (למשל דלקת ריאות או לא) ועד בעיות מרובות-קטגוריות מורכבות עם הרבה מחלקות והתפלגויות תוויות בלתי מאוזנות בחוזקה.

לדחוס תמונות גדולות אל תוך מכשירים קוונטיים קטנים

מאחר שמעבדי הקוונטים של היום קטנים ורועשים, הצוות אינו יכול להזין תמונות קליניות מלאות ישירות למעגלים הקוונטיים. במקום זאת הם מצמצמים כל תמונה לרשת גסה — או 7×7 או 8×8 פיקסלים — באמצעות pooling ממוצע, ואז מתרגמים כל פיקסל לסיבוב שמיושם על ביט קוונטי. כך נוצר ייצוג קוונטי דחוס של התמונה שהמעגל יכול לעבוד איתו. כדי למצות את חומרת המוגבלת, הם מייצרים מעגלים "מודעים למכשיר" באמצעות כלי עיצוב אוטומטי בשם Élivágar. הכלי מדגם מועמדים רבים של מעגלים שמכבדים את החיווט ותכונות השגיאה של מעבד ה־127 קיוביטים של IBM בקליבלנד, מדרג אותם לפי עמידות לרעש ויכולת להבחין בין מחלקות תמונה, ובוחר את התצורות המבטיחות ביותר למבחנים נוספים.

אימון בסימולציה, בדיקה על שבב קוונטי אמיתי

המודלים הקוונטיים מאומנים תחילה בסימולטור נטול-רעש שרץ על GPUs קלאסיים רבי עוצמה. שם כווננו פרמטרי שערי הסיבוב של המעגל עם שיטות אופטימיזציה סטנדרטיות עד שהמעגל המדומה מבחין בצורה מיטבית בתמונות האימון. לאחר שמוצאים הגדרות פרמטרים טובות, הצוות מקפיא אותן ומעביר רק את שלב האינפרנס אל המכשיר האמיתי של IBM. על החומרה הם משלבים אסטרטגיות מתקדמות לטיפול בשגיאות: דפוסי פולסים נוספים שמיועדים להגן על קיוביטים לא-פעילים מהסביבה, טריקים של מקריות כדי להשטיח שגיאות קוהרנטיות, וטכניקת ניקוי מדידות המתאימה סטטיסטית טעויות בקריאה. מחקר אבולוציה על אחת מערכות הנתונים הרגישות ביותר לרעש מראה ששילוב של שלוש האסטרטגיות מחזיר במידה ניכרת דיוק ואיכות הפרדה בין מחלקות לעומת הרצת אותו מעגל בעירום על המכשיר.

Figure 2
Figure 2.

איך מודלים קוונטיים מתחרים בבינה הקלאסית

במבחן על שמונה ערכות MedMNIST, המודלים הקוונטיים הטהורים משיגים ביצוע מוצק על אף שימוש במספר תכונות ופרמטרים קטן בהרבה מאשר רשתות עמוקות מתקדמות. על צילומי חזה לזיהוי דלקת ריאות, למשל, המודל הקוונטי מגיע לכ־85% דיוק — התאמה כמעט מלאה לרשתות רזידואליות פופולריות שפועלות על תמונות ברזולוציה גבוהה בהרבה עם מיליוני משקלים ניתנים לכוונון. בבעיות מרובות-מחלקות מורכבות יותר כגון מחלות רשתית וסיווג נגעי עור, המודלים הקוונטיים נותרו מאחור ביחס למערכות הקלאסיות החזקות ביותר אך נשארו תחרותיים במפתיע. כאשר משווים לשיטות קלאסיות קלות בהיקף שאומנו על אותם קלטים ברזולוציה נמוכה, המעגלים הקוונטיים משיגים דיוק דומה עם הרבה פחות פרמטרים ניתנים לכוונון, מה שמרמז על יחס "דיוק לפרמטר" מועדף לעיצובים קוונטיים.

מה משמעות הדבר עבור בינה רפואית בעתיד

לקורא שאינו מומחה, המסר המרכזי הוא שמחשבים קוונטיים, גם בשלבי ילדותם הרועשים והקטנים, כבר יכולים להתמודד עם מבחני דימות רפואי ריאליסטיים בצורה משמעותית — אם כי הם עדיין אינם עוברים את הביצועים הטובים ביותר של הבינה הקלאסית. העבודה מציבה מבחן מדוד, השוואתי וישר: משפחה של מודלים קוונטיים בלבד, מאומנים בסימולציה ומופעלים על מכשיר בעל 127 קיוביטים, מוערכים על פני סוגים רבים של תמונות רפואיות ומשווים באופן קפדני לשיטות קלאסיות מבוססות. התוצאות מראות כי מודלים קוונטיים יכולים להתקרב לביצועים הקלאסיים תוך שימוש במידע רב פחות לכל תמונה, וכי עיצוב חכם של המעגל ושיטות לטיפול בשגיאות הם קריטיים. ככל שחומרת הקוואנטום תגדל ותתבהר, רעיונות אלה עשויים לעזור לדחוף את ניתוח התמונות הרפואיות למצב שבו מעבדי קוונטים מציעים לא רק שוויון, אלא יתרונות ממשיים על פני כלי ה-AI של היום.

ציטוט: 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

מילות מפתח: למידת מכונה קוונטית, דימות רפואי, MedMNIST, חומרת קוואנטום של IBM, הקלה על שגיאות