Identificação de múltiplas doenças oculares usando uma rede neural convolucional quântica híbrida com imagens de fundo de olho

Exames de olho mais precisos com máquinas mais inteligentes

Muitos dos problemas de visão no mundo poderiam ser evitados se as doenças oculares fossem detectadas precocemente, mas especialistas e equipamentos de imagem de alta qualidade nem sempre estão disponíveis. Este estudo explora uma nova maneira de interpretar fotografias da parte posterior do olho, chamadas imagens de fundo de olho, usando uma combinação de ideias avançadas de computação quântica e inteligência artificial moderna. O objetivo é simples, porém poderoso: detectar várias doenças oculares comuns ao mesmo tempo, de forma rápida e confiável, para que tratamentos capazes de salvar a visão possam começar mais cedo.

Por que a parte posterior do olho importa

A retina é uma camada fina de tecido na parte posterior do olho que transforma luz em sinais para o cérebro. Muitas condições oculares graves deixam marcas características aqui, incluindo degeneração macular relacionada à idade, glaucoma, retinopatia diabética, danos relacionados à hipertensão, miopia e catarata. Os médicos podem fotografar a retina com uma câmera de fundo de olho padrão, que é mais barata e mais acessível do que scanners avançados. Mas interpretar essas imagens manualmente é demorado, depende de especialistas altamente treinados e se torna especialmente difícil quando as alterações iniciais da doença são sutis ou quando existem vários problemas ao mesmo tempo.

Limpeza da imagem antes do diagnóstico

Antes que qualquer computador possa compreender fotos de fundo de olho, as imagens precisam ser limpas e padronizadas. Neste trabalho, os autores primeiro recortam a região circular do olho, redimensionam a imagem e depois melhoram a visibilidade das estruturas importantes usando duas técnicas: filtragem por difusão anisotrópica para reduzir ruído sem borrar bordas relevantes, e transformadas wavelet para realçar o contraste. Eles também ampliam o conjunto de treinamento rotacionando, aproximando, deslocando e espelhando imagens, além de adicionar ruído controlado. Essa “preparação” cuidadosa das imagens ajuda o modelo a aprender como fotos do mundo real variam, reduzindo o risco de falha em câmeras ou condições de iluminação ligeiramente diferentes.

Mesclando IA clássica com ideias quânticas

No núcleo do estudo está uma rede neural convolucional quântica híbrida, ou QCNN. Uma rede neural convolucional tradicional é muito boa em identificar padrões como linhas, texturas e formas em imagens. A QCNN mantém essa estrutura familiar, mas adiciona camadas inspiradas na mecânica quântica que atuam sobre dados codificados como estados quânticos. Em termos práticos, uma rede clássica leve primeiro comprime cada par de imagens dos olhos esquerdo e direito do paciente. Esses recursos são então mapeados em uma representação de oito “qubits”, onde portas quânticas especiais realizam rotações e estabelecem conexões entre qubits. Isso permite ao sistema explorar um espaço muito rico de padrões possíveis usando relativamente poucos parâmetros ajustáveis.

Como as camadas quânticas aprendem

O componente quântico do modelo imita passos bem conhecidos na análise de imagens. Camadas quânticas de “convolução” agem como filtros, procurando por estruturas úteis nos dados, enquanto camadas quânticas de “pooling” reduzem a complexidade ao mesclar informações de múltiplos qubits sem perder as pistas mais importantes. O sistema mede repetidamente os estados quânticos resultantes e alimenta essas medições numa camada final de decisão que produz a probabilidade de cada rótulo de doença ocular. Durante o treinamento, um otimizador clássico ajusta tanto os pesos usuais da rede neural quanto as configurações das portas quânticas para melhorar o desempenho, guiado por métricas padrão como acurácia, precisão, sensibilidade e F1‑score.

Submetendo o modelo ao teste

Para verificar se essa abordagem é mais do que uma ideia elegante, os pesquisadores treinaram e testaram o modelo no OIA‑ODIR, uma grande coleção pública de 10.000 imagens de fundo de olho de 5.000 pacientes rotuladas para sete doenças oculares além de olhos normais. Os dados foram divididos de modo que algumas imagens foram usadas para treinar o modelo, outras para ajustá‑lo, e outras — tanto do mesmo local quanto de locais externos — para testar quão bem ele generaliza. Quando comparada com vários sistemas robustos de deep learning, incluindo Fundus‑DeepNet, Inception‑v4, VGG16 e ResNet‑101, a QCNN saiu na frente. Ela alcançou cerca de 94% de acurácia e níveis igualmente altos de precisão, sensibilidade e F1‑score, tanto nos conjuntos de teste locais quanto nos externos, o que significa que não só fez previsões corretas com frequência como também deixou escapar poucas instâncias de doença.

O que isso significa para os pacientes

Do ponto de vista leigo, a mensagem é que softwares mais inteligentes poderiam ajudar a proteger a visão tornando o rastreamento retiniano em massa mais rápido, mais consistente e capaz de sinalizar várias doenças simultaneamente. A rede aprimorada por conceitos quânticos descrita aqui ainda é executada em simuladores e depende de computadores poderosos, portanto não está pronta para uso rotineiro em clínicas. Ela também herda as limitações comuns da IA médica, como dados desbalanceados para doenças raras e diferenças entre hospitais. Ainda assim, seu desempenho robusto sugere que combinar métodos clássicos e inspirados na computação quântica pode extrair mais informação das mesmas fotografias do olho. À medida que o hardware quântico amadurecer e os conjuntos de dados crescerem, tais sistemas podem se tornar ferramentas práticas para apoiar oftalmologistas em todo o mundo, particularmente em locais onde especialistas são escassos.

Citação: 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

Palavras-chave: imagem de fundo de olho, detecção de doenças oculares, redes neurais quânticas, análise de imagens médicas, inteligência artificial em oftalmologia