זיהוי מחלות עיניות מרובות באמצעות רשת עצבית קונבולוציונית היברידית קוונטית עם תמונות פונדוס

בדיקות עין חדות יותר עם מכונות חכמות יותר

הרבה מהבעיות הראייה בעולם ניתנות למניעה אם מחלות עיניים יתגלו מוקדם, אך מומחים והדמיה איכותית אינם זמינים תמיד. המחקר הזה בוחן דרך חדשה לקרוא תמונות של החלק האחורי של העין, המכונות תמונות פונדוס, באמצעות שילוב של רעיונות מתקדמים ממיחשוב קוונטי ובינה מלאכותית מודרנית. המטרה פשוטה אך עוצמתית: לזהות מספר מחלות עיניים נפוצות בבת אחת, במהירות ובמהימנות, כדי שטיפולים להצלת הראייה יוכלו להתחיל מוקדם יותר.

מדוע החלק האחורי של העין חשוב

הרשתית היא שכבה דקה של רקמה בחלק האחורי של העין שממירה אור לאותות למוח. מצבים עיניים חמורים רבים משאירים סימנים אופייניים כאן, כולל ניוון מקולרי תלוי גיל, גלאוקאומה, רטינופתיה סוכרתית, נזק הנובע מלחץ דם גבוה, מיופיה וקטרקט. רופאים יכולים לצלם את הרשתית במצלמת פונדוס סטנדרטית, שהיא זולה וזמינה יותר מסורקי על. אבל קריאת התמונות הללו בעין היא איטית, תלוית מומחים מיומנים, והופכת לקשה במיוחד כאשר שינויים מוקדמים דלים או כאשר קיימות כמה בעיות בו‑זמנית.

ניקוי התמונה לפני האבחון

לפני שכל מחשב יכול להבין תמונות פונדוס, יש לנקות ולתקנן את התמונות. בעבודה זו, המחברים קודם גוזרים את האזור המעגלי של העין, משנים את הגודל, ואז משפרים את הנראות של מבנים חשובים באמצעות שתי טכניקות: סינון דיפוזיה אנאיזוטרופי להפחתת רעש בלי לטשטש קצוות מרכזיים, וטרנספורמציות וילט כדי להגביר ניגודיות. הם גם מרחיבים את מערך האימון על ידי סיבוב, זום, הזזה והיפוך של תמונות, ובהוספת רעש מבוקר. "טיפוח" מדוקדק זה של התמונות עוזר למודל ללמוד כיצד תמונות מהעולם האמיתי משתנות, ומפחית את הסיכון שייפול כשנתקל במצלמות או תנאי תאורה שונים מעט.

שילוב בינה קלאסית עם רעיונות קוונטיים

בלב המחקר עומדת רשת עצבית קונבולוציונית היברידית קוונטית, או QCNN. רשת קונבולוציונית קלאסית טובה מאוד בזיהוי תבניות כגון קווים, מרקמים וצורות בתמונות. ה‑QCNN שומר על המבנה המוכר הזה אך מוסיף שכבות בהשראה קוונטית שפועלות על נתונים המקודדים כמצבים קוונטיים. במונחים מעשיים, רשת קלה קלאסית דוחסת תחילה כל זוג תמונות מעין שמאל וימין של המטופל. התכונות האלה ממופה לייצוג של שמונה "קוביטים", שם שערי קוונטיים מיוחדים מבצעים סיבובים ובונים חיבורים בין הקוביטים. זה מאפשר למערכת לחקור מרחב עשיר של דפוסים אפשריים תוך שימוש במספר פרמטרים מותאמים יחסית נמוך.

כיצד השכבות הקוונטיות לומדות

הצד הקוונטי של המודל מדמה שלבים ידועים בניתוח תמונה. שכבות "קונבולוציה" קוונטיות פועלות כמו מסננים, סורקות אחר מבנים שימושיים בנתונים, בעוד שכבות "פולינג" קוונטיות מצמצמות מורכבות על ידי מיזוג מידע ממספר קוביטים בלי לאבד את הרמזים החשובים ביותר. המערכת מודדת שוב ושוב את המצבים הקוונטיים הנובעים ומזינה את המדידות האלה לשכבת החלטה סופית שמפיקה את ההסתברות לכל תווית מחלת עין. במהלך האימון, מייעל קלאסי דוחף הן את המשקלים הרגילים של הרשת והן את הגדרות שערי הקוונטים לשיפור הביצועים, בהנחיית מדדים סטנדרטיים כגון דיוק, דיוקיות, שליפה וניקוד F1.

הטלת המודל למבחן

כדי לבדוק האם גישה זו היא יותר מרעיון אלגנטי בלבד, החוקרים אימנו ובחנו אותה על OIA‑ODIR, מאגר ציבורי גדול של 10,000 תמונות פונדוס מ‑5,000 מטופלים המסומנות לשבע מחלות עיניים בתוספת עיניים תקינות. הנתונים חולקו כך שחלק מהתמונות שימשו לאימון המודל, חלק לכיולו, ואחרות—גם מאותו אתר וגם מאתרים חיצוניים—להערכת היכולות הכלליות שלו. בהשוואה לכמה מערכות למידה עמוקה חזקות, כולל Fundus‑DeepNet, Inception‑v4, VGG16 ו‑ResNet‑101, ה‑QCNN יצא בראש. הוא הגיע לכ־94 אחוז דיוק ולקיבולות דיוק, שליפה וניקוד F1 דומות, הן במערכי המבחן באתר והן מחוץ‑לאתר, מה שאומר שלא רק קיבל קריאות נכונות לעתים קרובות אלא גם פספס מעט מקרים חולים.

מה זה אומר עבור המטופלים

מהפרספקטיבה של הקהל הרחב, המסר הוא שתוכנה חכמה יותר יכולה לסייע בהגנה על הראייה על‑ידי הפיכת סקרי רשתית המוניים למהירים יותר, עקביים יותר ובעלי יכולת לציין מספר מחלות בבת אחת. הרשת המועשרת בקוונטים המתוארת כאן עדיין רצה על סימולטורים ותלויה במחשבים חזקים, לכן היא עדיין לא מוכנה לשימוש שגרתי במרפאות. היא גם יורשת את המגבלות הרגילות של בינה רפואית, כגון נתונים לא מאוזנים עבור מחלות נדירות ושינויים בין בתי חולים. עם זאת, הביצועים החזקים שלה מרמזים ששילוב שיטות קלאסיות והשראה קוונטית יכול לסחוט יותר מידע מאותן תמונות עין. ככל שחומרת קוונטים תתפתח ומאגרים ידיעות יתרחבו, מערכות כאלה עשויות להפוך לכלים מעשיים לתמיכה ברופאי עיניים ברחבי העולם, במיוחד באזורים שבהם מומחים נדירים.

ציטוט: Alqassab, A.I.M., Luque-Nieto, MÁ. & Mohammed, M.A. Identification of multiple ocular diseases using a hybrid quantum convolutional neural network with fundus images. Sci Rep 16, 6798 (2026). https://doi.org/10.1038/s41598-026-38063-z

מילות מפתח: הדמיית קרקעית העין, זיהוי מחלות עיניים, רשתות עצביות קוונטיות, ניתוח תמונות רפואיות, בינה מלאכותית באופתלמולוגיה