Identyfikacja wielu chorób oczu za pomocą hybrydowej kwantowej splotowej sieci neuronowej z wykorzystaniem obrazów dna oka

Bardziej precyzyjne badania wzroku dzięki sprytniejszym maszynom

Wiele problemów ze wzrokiem na świecie można by uniknąć, gdyby choroby oczu wykrywać wcześnie, ale specjaliści i wysokiej jakości sprzęt do obrazowania nie zawsze są dostępni. W tym badaniu autorzy proponują nowy sposób analizowania zdjęć tylnej części oka, zwanych obrazami dna oka, wykorzystujący połączenie nowatorskich pomysłów z obszaru obliczeń kwantowych oraz współczesnej sztucznej inteligencji. Cel jest prosty, ale mocny: wykrywać jednocześnie kilka powszechnych chorób oczu szybko i niezawodnie, tak aby możliwe było wcześniejsze wdrożenie leczenia ratującego wzrok.

Dlaczego tylna część oka ma znaczenie

Siatkówka to cienka warstwa tkanki położona z tyłu oka, która przekształca światło w sygnały dla mózgu. Wiele poważnych schorzeń oka pozostawia tutaj charakterystyczne ślady, w tym zwyrodnienie plamki związane z wiekiem, jaskra, retinopatia cukrzycowa, uszkodzenia związane z nadciśnieniem, krótkowzroczność i zaćma. Lekarze mogą sfotografować siatkówkę standardowym aparatem do obrazowania dna oka, który jest tańszy i szerzej dostępny niż zaawansowane skanery. Jednak ocena tych zdjęć wzrokowo jest czasochłonna, wymaga wysoko wykwalifikowanych specjalistów i staje się szczególnie trudna, gdy wczesne zmiany chorobowe są subtelne lub gdy występuje kilka problemów jednocześnie.

Oczyszczanie obrazu przed diagnozą

Zanim jakikolwiek komputer będzie w stanie zrozumieć zdjęcia dna oka, obrazy muszą zostać oczyszczone i ustandaryzowane. W tej pracy autorzy najpierw przycinają okrągły obszar oka, zmieniają jego rozmiar, a następnie poprawiają widoczność istotnych struktur, stosując dwie techniki: filtrację dyfuzji anizotropowej w celu redukcji szumu bez rozmywania kluczowych krawędzi oraz transformaty falkowe w celu wzmocnienia kontrastu. Rozszerzają też zbiór uczący przez obracanie, powiększanie, przesuwanie i odbicie lustrzane obrazów oraz dodawanie kontrolowanego szumu. Ta staranna „pielęgnacja obrazu” pomaga modelowi nauczyć się, jak wyglądają zdjęcia w rzeczywistych warunkach, zmniejszając ryzyko, że zawiedzie na nieco innych aparatach lub przy różnych warunkach oświetleniowych.

Mieszanie klasycznej SI z koncepcjami kwantowymi

W sercu badania znajduje się hybrydowa kwantowa splotowa sieć neuronowa, zwana QCNN. Tradycyjna splotowa sieć neuronowa doskonale wykrywa wzorce takie jak linie, tekstury i kształty na obrazach. QCNN zachowuje tę znaną strukturę, ale dodaje warstwy inspirowane kwantowo, które operują na danych zakodowanych jako stany kwantowe. W praktyce lekka klasyczna sieć najpierw kompresuje każdą parę obrazów z lewego i prawego oka pacjenta. Te cechy są następnie mapowane do ośmiowo‑„kubitowej” reprezentacji, gdzie specjalne bramki kwantowe wykonują rotacje i budują połączenia między kubitami. Pozwala to systemowi eksplorować bardzo bogatą przestrzeń możliwych wzorców przy stosunkowo niewielkiej liczbie regulowanych parametrów.

Jak warstwy kwantowe się uczą

Kwantowa część modelu naśladuje dobrze znane etapy analizy obrazów. Kwantowe warstwy „splotowe” działają jak filtry, skanując dane w poszukiwaniu użytecznych struktur, podczas gdy kwantowe warstwy „pooledowania” redukują złożoność poprzez łączenie informacji z wielu kubitów bez utraty najważniejszych wskazówek. System wielokrotnie mierzy powstałe stany kwantowe i wprowadza te pomiary do końcowej warstwy decyzyjnej, która zwraca prawdopodobieństwo przypisania każdej etykiety choroby oka. W trakcie treningu klasyczny optymalizator koryguje zarówno zwykłe wagi sieci neuronowej, jak i ustawienia bramek kwantowych, aby poprawić wydajność, kierując się standardowymi miarami takimi jak dokładność, precyzja, czułość i F1‑score.

Sprawdzanie modelu w praktyce

Aby sprawdzić, czy podejście to jest czymś więcej niż elegancką koncepcją, badacze trenowali i testowali je na OIA‑ODIR, dużym publicznym zbiorze 10 000 obrazów dna oka od 5 000 pacjentów oznaczonych dla siedmiu chorób oczu oraz jako oczy prawidłowe. Dane podzielono tak, aby część obrazów służyła do trenowania modelu, część do jego strojenia, a inne—zarówno z tej samej placówki, jak i z zewnętrznych ośrodków—do testowania zdolności uogólniania. W porównaniu z kilkoma silnymi systemami głębokiego uczenia, w tym Fundus‑DeepNet, Inception‑v4, VGG16 i ResNet‑101, QCNN wyszedł zwycięsko. Osiągnął około 94 procent dokładności oraz podobnie wysokie wartości precyzji, czułości i F1‑score, zarówno dla zestawów testowych z tej samej placówki, jak i z zewnętrznych, co oznacza, że nie tylko często poprawnie klasyfikował obrazy, ale także rzadko nie wykrywał przypadków chorobowych.

Co to oznacza dla pacjentów

Z perspektywy laika przekaz jest taki, że mądrzejsze oprogramowanie może pomóc chronić wzrok poprzez przyspieszenie masowych badań przesiewowych siatkówki, zwiększenie ich spójności i zdolności do wykrywania kilku chorób jednocześnie. Opisywana tutaj sieć wzbogacona o elementy kwantowe jest wciąż uruchamiana na symulatorach i wymaga mocnych komputerów, więc nie jest jeszcze gotowa do rutynowego użycia w klinikach. Dzieli także typowe ograniczenia medycznej SI, takie jak nierównomierne dane dla rzadkich chorób i różnice między szpitalami. Mimo to jej silne wyniki sugerują, że łączenie klasycznych i inspirowanych kwantowo metod może wydobyć więcej informacji z tych samych fotografii dna oka. W miarę dojrzewania sprzętu kwantowego i powiększania zbiorów danych takie systemy mogą stać się praktycznymi narzędziami wspierającymi okulistów na całym świecie, szczególnie w miejscach, gdzie brakuje specjalistów.

Cytowanie: 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

Słowa kluczowe: obrazowanie dna oka, wykrywanie chorób oczu, kwantowe sieci neuronowe, analiza obrazów medycznych, sztuczna inteligencja w okulistyce