Identificazione di più malattie oculari mediante una rete neurale convoluzionale quantistica ibrida con immagini del fundus

Controlli visivi più accurati con macchine più intelligenti

Molti dei problemi di vista nel mondo potrebbero essere evitati se le malattie oculari venissero diagnosticate precocemente, ma specialisti e immagini di alta qualità non sono sempre disponibili. Questo studio esplora un nuovo modo di leggere le fotografie della parte posteriore dell’occhio, chiamate immagini del fundus, usando una combinazione di idee all’avanguardia della computazione quantistica e dell’intelligenza artificiale moderna. L’obiettivo è semplice ma potente: individuare rapidamente e in modo affidabile diverse malattie oculari comuni contemporaneamente, in modo che il trattamento salvavita della vista possa iniziare prima.

Perché la parte posteriore dell’occhio è importante

La retina è uno strato sottile di tessuto nella parte posteriore dell’occhio che trasforma la luce in segnali per il cervello. Molte patologie oculari gravi lasciano segni caratteristici qui, tra cui la degenerazione maculare legata all’età, il glaucoma, la retinopatia diabetica, i danni correlati a ipertensione, la miopia e le cataratte. I medici possono fotografare la retina con una normale camera per fundus, che è più economica e più diffusa rispetto agli scanner avanzati. Ma interpretare queste immagini a occhio è lento, dipende da esperti altamente qualificati ed è particolarmente difficile quando i segni iniziali della malattia sono deboli o quando coesistono più problemi.

Ripulire l’immagine prima della diagnosi

Prima che qualsiasi computer possa interpretare le foto del fundus, le immagini devono essere pulite e standardizzate. In questo lavoro, gli autori ritagliano innanzitutto la regione circolare dell’occhio, ne ridimensionano le dimensioni e quindi ne migliorano la visibilità delle strutture importanti utilizzando due tecniche: il filtraggio per diffusione anisotropica per ridurre il rumore senza sfocare i bordi chiave, e le trasformate wavelet per incrementare il contrasto. Ampliano inoltre il set di addestramento ruotando, zoomando, traslando e ribaltando le immagini, e aggiungendo rumore controllato. Questa accurata "cura" delle immagini aiuta il modello ad apprendere come variano le foto nel mondo reale, riducendo il rischio che fallisca su fotocamere o condizioni di illuminazione leggermente diverse.

Miscele di AI classica con idee quantistiche

Al centro dello studio c’è una rete neurale convoluzionale quantistica ibrida, o QCNN. Una rete neurale convoluzionale tradizionale è molto brava a individuare pattern come linee, trame e forme nelle immagini. La QCNN mantiene questa struttura familiare ma aggiunge strati ispirati al mondo quantistico che operano su dati codificati come stati quantistici. In termini pratici, una rete classica leggera comprime prima ogni coppia di immagini dell’occhio destro e sinistro di un paziente. Queste caratteristiche vengono poi mappate in una rappresentazione a otto "qubit", dove porte quantistiche speciali eseguono rotazioni e costruiscono connessioni tra i qubit. Questo consente al sistema di esplorare uno spazio molto ricco di possibili pattern usando relativamente pochi parametri modificabili.

Come apprendono gli strati quantistici

Il lato quantistico del modello imita passaggi ben noti nell’analisi delle immagini. Gli strati di "convoluzione" quantistica funzionano come filtri, cercando strutture utili nei dati, mentre gli strati di "pooling" quantistico riducono la complessità fondendo informazioni provenienti da più qubit senza perdere gli indizi più importanti. Il sistema misura ripetutamente gli stati quantistici risultanti e alimenta queste misurazioni in un livello decisionale finale che restituisce la probabilità di ciascuna etichetta di malattia oculare. Durante l’addestramento, un ottimizzatore classico regola sia i pesi della rete neurale tradizionale sia le impostazioni delle porte quantistiche per migliorare le prestazioni, guidato da misure standard come accuratezza, precisione, richiamo e F1-score.

Mettere il modello alla prova

Per verificare se questo approccio fosse più di una semplice idea elegante, i ricercatori lo hanno addestrato e testato su OIA‑ODIR, una grande raccolta pubblica di 10.000 immagini del fundus provenienti da 5.000 pazienti etichettate per sette malattie oculari più occhi normali. I dati sono stati suddivisi in modo che alcune immagini fossero usate per addestrare il modello, altre per sintonizzarlo, e altre ancora — sia dallo stesso sito sia da siti esterni — per testare quanto bene si generalizza. Rispetto a diversi forti sistemi di deep learning, tra cui Fundus‑DeepNet, Inception‑v4, VGG16 e ResNet‑101, la QCNN si è classificata al primo posto. Ha raggiunto circa il 94 percento di accuratezza e valori altrettanto elevati di precisione, richiamo e F1-score, sia per i set di test interni sia per quelli esterni, il che significa che non solo ha fornito risposte corrette con frequenza, ma ha anche mancato poche diagnosi patologiche.

Cosa significa questo per i pazienti

Dal punto di vista del pubblico, il messaggio è che software più intelligenti potrebbero contribuire a proteggere la vista rendendo gli screening retinici di massa più rapidi, più coerenti e capaci di segnalare più malattie contemporaneamente. La rete potenziata con elementi quantistici descritta qui è ancora eseguita su simulatori e richiede computer potenti, quindi non è ancora pronta per l’uso di routine in clinica. E eredita anche i limiti tipici delle AI mediche, come dati non uniformi per le malattie rare e differenze tra ospedali. Nonostante ciò, la sua solida performance suggerisce che combinare metodi classici e ispirati al quantistico può estrarre più informazioni dalle stesse fotografie oculari. Con il progresso dell’hardware quantistico e la crescita dei dataset, tali sistemi potrebbero diventare strumenti pratici per supportare gli oftalmologi in tutto il mondo, in particolare dove gli specialisti sono scarsi.

Citazione: 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

Parole chiave: imaging del fundus retinico, rilevamento delle malattie oculari, reti neurali quantistiche, analisi di immagini mediche, intelligenza artificiale in oftalmologia