Benchmarking do conjunto de dados MedMNIST em hardware quântico real

Por que computadores quânticos se interessam por imagens médicas

Hospitais geram vastas coleções de imagens médicas — radiografias, exames por imagem e lâminas de microscópio — que médicos cada vez mais analisam com inteligência artificial. Este estudo faz uma pergunta ambiciosa: os primeiros computadores quânticos de hoje já podem começar a compartilhar essa carga de trabalho? Os autores submeteram um grande e diversificado conjunto de imagens médicas a hardware quântico real da IBM para avaliar até onde o aprendizado de máquina quântico pode chegar agora e em que pontos ainda fica aquém.

Ensinando chips quânticos a ver padrões médicos

Os pesquisadores concentram-se em aprendizado de máquina quântico, onde a informação é processada usando qubits que podem existir em múltiplos estados simultaneamente e influenciar-se mutuamente de maneiras que bits clássicos não conseguem. Em vez de misturar componentes quânticos com redes neurais profundas familiares, eles usam deliberadamente apenas modelos quânticos para testar suas capacidades isoladas. Como bancada de testes, adotam o MedMNIST, uma coleção padronizada de conjuntos de dados de imagens médicas de baixo peso que abrange radiografias torácicas, exames de retina, lesões de pele, células sanguíneas, tecido do cólon e cortes de tomografia abdominal. Cada conjunto propõe uma tarefa de classificação distinta, desde perguntas simples de sim/não (como pneumonia ou não) até problemas mais difíceis com múltiplas categorias, muitas classes e distribuições de rótulos fortemente desbalanceadas.

Compactando imagens grandes para dispositivos quânticos pequenos

Como os processadores quânticos atuais são pequenos e ruidosos, a equipe não pode alimentar imagens clínicas completas diretamente nos circuitos quânticos. Em vez disso, reduzem cada imagem a uma grade grosseira — seja 7×7 ou 8×8 pixels — usando pooling por média, e então traduzem cada pixel em uma rotação aplicada a um qubit. Isso cria uma representação quântica compacta da imagem com a qual o circuito pode operar. Para aproveitar ao máximo o hardware limitado, eles geram circuitos "cientes do dispositivo" usando uma ferramenta de desenho automatizada chamada Élivágar. Ela amostra muitos circuitos candidatos que respeitam a fiação e as características de erro reais do processador Cleveland de 127 qubits da IBM, avalia-os quanto à resiliência ao ruído e à capacidade de separar classes de imagem, e seleciona os layouts mais promissores para testes adicionais.

Treinando em silício, testando em um chip quântico real

Os modelos quânticos são primeiro treinados em um simulador de software sem ruído rodando em GPUs clássicas poderosas. Ali, os parâmetros das portas de rotação do circuito são ajustados com métodos de otimização padrão até que o circuito simulado distinga melhor as imagens de treinamento. Uma vez encontradas boas configurações de parâmetros, a equipe as congela e move apenas a etapa de inferência para o dispositivo real da IBM. No hardware, eles introduzem estratégias avançadas de tratamento de erros: padrões de pulsos extras destinados a proteger qubits ociosos do ambiente, truques de randomização para borrar erros coerentes e uma técnica de limpeza de medição que corrige estatisticamente falhas de leitura. Um estudo de ablação em um dos conjuntos de dados mais sensíveis ao ruído mostra que combinar as três estratégias recupera de forma marcante a acurácia e a qualidade de separação de classes perdidas em comparação com executar o mesmo circuito sem proteções no dispositivo.

Como modelos quânticos se comparam à IA clássica

Ao longo de oito conjuntos do MedMNIST, os modelos puramente quânticos alcançam desempenho sólido apesar de usarem drasticamente menos características e parâmetros do que redes profundas de última geração. Em radiografias torácicas para detecção de pneumonia, por exemplo, o modelo quântico atinge cerca de 85% de acurácia — essencialmente igualando redes residuais populares que operam em imagens de resolução muito maior com milhões de pesos ajustáveis. Para problemas multiclasses mais complexos, como categorização de doenças da retina e lesões de pele, os modelos quânticos ficam atrás dos sistemas clássicos mais fortes, mas permanecem surpreendentemente competitivos. Quando comparados a métodos clássicos leves treinados nas mesmas entradas de baixa resolução, os circuitos quânticos obtêm acurácia similar com muito menos parâmetros ajustáveis, sugerindo uma troca favorável de "acurácia por parâmetro" para projetos quânticos.

O que isso significa para a IA médica futura

Para um leitor leigo, a mensagem principal é que computadores quânticos, mesmo em sua infância barulhenta e de pequena escala, já conseguem enfrentar benchmarks realistas de imagem médica de maneira significativa — embora ainda não superem a melhor IA clássica. Este trabalho estabelece um benchmark cuidadoso e comparável: uma família de modelos exclusivamente quânticos, treinados em simulação e executados em um dispositivo de 127 qubits, avaliados em muitos tipos diferentes de imagem médica e rigorosamente comparados com abordagens clássicas estabelecidas. Os resultados mostram que modelos quânticos podem se aproximar do desempenho clássico enquanto usam muito menos informação por imagem, e que um desenho inteligente de circuitos junto com técnicas de tratamento de erro são cruciais. À medida que o hardware quântico crescer em tamanho e limpeza, essas mesmas ideias poderão ajudar a empurrar a análise de imagens médicas para um regime em que processadores quânticos ofereçam não só paridade, mas vantagens reais sobre as ferramentas de IA atuais.

Citação: 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

Palavras-chave: aprendizado de máquina quântico, imagens médicas, MedMNIST, hardware quântico IBM, mitigação de erros