Benchmarking del dataset MedMNIST su hardware quantistico reale

Perché ai computer quantistici interessano le immagini mediche

Gli ospedali generano vaste collezioni di immagini mediche—radiografie, scansioni e vetrini microscopici—che i medici analizzano sempre più spesso con l’aiuto dell’intelligenza artificiale. Questo studio pone una domanda ambiziosa: i computer quantistici di oggi, ancora nelle fasi iniziali, possono cominciare a condividere questo carico di lavoro? Gli autori sottopongono un’ampia e diversificata serie di immagini mediche a hardware quantistico IBM reale per valutare fin dove può arrivare ora il machine learning quantistico e dove invece mostra limiti.

Insegnare ai chip quantistici a riconoscere pattern medici

I ricercatori si concentrano sull’apprendimento automatico quantistico, dove l’informazione è elaborata usando qubit che possono esistere in più stati contemporaneamente e influenzarsi in modi impossibili per i bit classici. Invece di combinare componenti quantistici con le note reti neurali profonde, impiegano deliberatamente modelli esclusivamente quantistici per testarne le capacità autonome. Come banco di prova adottano MedMNIST, una raccolta standardizzata di dataset di imaging medico leggeri che spaziano da radiografie toraciche, scansioni retiniche, lesioni cutanee, cellule del sangue, tessuto del colon e slice TC addominali. Ogni dataset propone un compito di classificazione diverso, da semplici domande binarie (per esempio, polmonite sì/no) a problemi multi-classe più complessi con molte categorie e distribuzioni di etichette fortemente sbilanciate.

Ridurre immagini grandi per dispositivi quantistici piccoli

Poiché i processori quantistici attuali sono piccoli e rumorosi, il team non può immettere direttamente immagini cliniche a piena risoluzione nei circuiti quantistici. Invece, riducono ogni immagine a una griglia grossolana—o 7×7 o 8×8 pixel—usando l’average pooling, e poi traducono ogni pixel in una rotazione applicata a un qubit. Questo crea una rappresentazione quantistica compatta dell’immagine con cui il circuito può lavorare. Per sfruttare al meglio l’hardware limitato, generano circuiti “consapevoli del dispositivo” usando uno strumento di progettazione automatica chiamato Élivágar. Esso campiona molti circuiti candidati che rispettano il cablaggio reale e le caratteristiche d’errore del processore Cleveland a 127 qubit di IBM, li valuta sia per la resilienza al rumore sia per la capacità di separare le classi d’immagine, e seleziona le configurazioni più promettenti per test successivi.

Allenamento in silico, test su un chip quantistico reale

I modelli quantistici sono prima addestrati in un simulatore software privo di rumore eseguito su potenti GPU classiche. Qui, i parametri delle porte di rotazione del circuito sono ottimizzati con metodi standard finché il circuito simulato non distingue al meglio le immagini di addestramento. Una volta trovati buoni valori dei parametri, il team li congela e porta solo la fase di inferenzza sul dispositivo IBM reale. Sul hardware, introducono strategie avanzate di gestione degli errori: schemi di impulsi aggiuntivi progettati per proteggere i qubit inattivi dall’ambiente, trucchi di randomizzazione per mediari gli errori coerenti e una tecnica di pulizia delle misurazioni che corregge statisticamente gli errori di lettura. Uno studio di ablazione su uno dei dataset più sensibili al rumore mostra che la combinazione di tutte e tre le strategie recupera in modo significativo accuratezza e qualità di separazione delle classi rispetto all’esecuzione del medesimo circuito nudo sul dispositivo.

Come i modelli quantistici si confrontano con l’IA classica

Su otto dataset MedMNIST, i modelli puramente quantistici ottengono prestazioni solide nonostante utilizzino molte meno feature e parametri rispetto alle reti profonde all’avanguardia. Sulle radiografie toraciche per il rilevamento della polmonite, per esempio, il modello quantistico raggiunge circa l’85% di accuratezza—sostanzialmente alla pari con popolari reti residual che operano su immagini a risoluzione molto più alta con milioni di pesi regolabili. Per problemi multi-classe più complessi, come la classificazione di malattie retiniche e lesioni cutanee, i modelli quantistici restano dietro ai migliori sistemi classici ma mantengono una competitività sorprendente. Rispetto a metodi classici leggeri addestrati sugli stessi input a bassa risoluzione, i circuiti quantistici ottengono accuratezze simili con molti meno parametri ottimizzabili, suggerendo un favorevole rapporto “accuratezza per parametro” per i progetti quantistici.

Cosa significa questo per il futuro dell’IA medica

Per un lettore non specialistico, il messaggio chiave è che i computer quantistici, anche nella loro infanzia rumorosa e su piccola scala, possono già affrontare benchmark realistici di imaging medico in modo significativo—anche se non battono ancora la migliore IA classica. Questo lavoro stabilisce un benchmark attento e paragonabile: una famiglia di modelli esclusivamente quantistici, addestrati in simulazione e eseguiti su un dispositivo a 127 qubit, valutati su molti tipi diversi di immagini mediche e confrontati rigorosamente con approcci classici consolidati. I risultati mostrano che i modelli quantistici possono avvicinarsi alle prestazioni classiche usando molto meno informazione per immagine, e che una progettazione intelligente dei circuiti insieme a tecniche di gestione degli errori è cruciale. Man mano che l’hardware quantistico diventerà più grande e pulito, queste stesse idee potrebbero aiutare a spingere l’analisi delle immagini mediche in un regime in cui i processori quantistici offrano non solo parità, ma vantaggi reali rispetto agli strumenti di IA attuali.

Citazione: 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

Parole chiave: apprendimento automatico quantistico, imaging medico, MedMNIST, hardware quantistico IBM, mitigazione degli errori