Бенчмаркинг набора данных MedMNIST на реальном квантовом оборудовании

Почему квантовым компьютерам важны медицинские изображения

Больницы генерируют огромные коллекции медицинских изображений — рентгеновские снимки, сканы и микроскопические слайды — которые врачи всё чаще анализируют с помощью искусственного интеллекта. В этом исследовании ставится смелый вопрос: могут ли современные ранние квантовые компьютеры начать разделять эту нагрузку? Авторы пропускают большой и разнообразный набор медицинских изображений через реальное оборудование IBM, чтобы оценить, насколько далеко сегодня может зайти квантовое машинное обучение и где оно всё ещё уступает.

Обучение квантовых чипов распознаванию медицинских паттернов

Исследователи сосредоточены на квантовом машинном обучении, где информация обрабатывается с помощью квантовых битов, способных находиться в нескольких состояниях одновременно и влиять друг на друга способами, недоступными обычным битам. Вместо смешения квантовых компонентов с привычными глубокими нейронными сетями они сознательно используют только квантовые модели, чтобы проверить их автономные возможности. В качестве тестовой базы они берут MedMNIST — стандартизованную коллекцию лёгких медицинских наборов данных, охватывающую рентген грудной клетки, сканы сетчатки, поражения кожи, кровяные клетки, ткани толстой кишки и срезы абдоминальной КТ. Каждый набор данных представляет собой свою задачу классификации — от простых вопросов «да/нет» (например, пневмония или нет) до более сложных многоклассовых задач с множеством категорий и сильно несбалансированными распределениями меток.

Упаковка больших изображений для маленьких квантовых устройств

Поскольку современные квантовые процессоры малы и шумны, команда не может напрямую подавать полные клинические изображения в квантовые схемы. Вместо этого они уменьшают каждое изображение до грубой сетки — либо 7×7, либо 8×8 пикселей — с помощью усредняющего пуллинга, а затем переводят каждый пиксель в вращение, применяемое к квантовому биту. Это создаёт компактное квантовое представление изображения, с которым может работать схема. Чтобы максимально эффективно использовать ограниченное оборудование, они генерируют «осведомлённые об устройстве» схемы с помощью автоматизированного инструмента проектирования под названием Élivágar. Он пробует множество кандидатных схем, учитывающих реальную проводку и характеристики ошибок 127‑кубитного процессора Cleveland от IBM, оценивает их по устойчивости к шуму и способности разделять классы изображений, и отбирает наиболее перспективные компоновки для дальнейшего тестирования.

Обучение в симуляторе, тестирование на реальном квантовом чипе

Квантовые модели сначала обучают в безшумном программном симуляторе на мощных классических GPU. Там параметры вращений в воротах схемы настраивают стандартными методами оптимизации, пока симулированная схема наилучшим образом не разделит обучающие изображения. После того как удачные параметры найдены, команда фиксирует их и переносит только этап вывода на реальное устройство IBM. На аппаратуре они добавляют продвинутые методы обработки ошибок: последовательности дополнительных импульсов, призванные защищать простаивающие кубиты от взаимодействия с окружением, приёмы рандомизации для усреднения когерентных ошибок и метод очистки измерений, статистически корректирующий ошибки чтения. Абляционный анализ на одном из самых чувствительных к шуму наборов данных показывает, что сочетание всех трёх стратегий заметно восстанавливает утраченные точность и качество разделения классов по сравнению с запуском той же схемы «как есть» на устройстве.

Как квантовые модели сравниваются с классическим ИИ

По восьми наборам MedMNIST полностью квантовые модели демонстрируют солидные результаты, несмотря на использование существенно меньшего числа признаков и параметров по сравнению с передовыми глубокими сетями. Например, для рентгеновских снимков грудной клетки при обнаружении пневмонии квантовая модель достигает примерно 85% точности — фактически наравне с популярными остаточными сетями, которые работают с гораздо более высоким разрешением и миллионами подстраиваемых весов. Для более сложных многоклассовых задач, таких как классификация заболеваний сетчатки и поражений кожи, квантовые модели отстают от сильнейших классических систем, но остаются удивительно конкурентоспособными. По сравнению с лёгкими классическими методами, обученными на тех же низкоразрешённых входах, квантовые схемы показывают сопоставимую точность при гораздо меньшем количестве настраиваемых параметров, что указывает на благоприятный компромисс «точность на параметр» для квантовых решений.

Что это значит для будущего медицинского ИИ

Для неспециалиста ключевое послание таково: квантовые компьютеры, даже в своей шумной, маломасштабной ранней стадии, уже способны осмысленно решать реалистичные эталоны по анализу медицинских изображений — хотя они ещё не превосходят лучший классический ИИ. Эта работа задаёт аккуратный, сопоставимый бенчмарк: семейство исключительно квантовых моделей, обученных в симуляции и запущенных на 127‑кубитном устройстве, оценённых по множеству типов медицинских изображений и строго сопоставленных с установленными классическими подходами. Результаты показывают, что квантовые модели могут приблизиться к классической производительности, используя гораздо меньше информации на изображение, и что умный дизайн схем в сочетании со средствами обработки ошибок имеют решающее значение. По мере роста и очистки квантового оборудования эти же идеи могут помочь продвинуть анализ медицинских изображений в область, где квантовые процессоры предложат не просто паритет, но и реальные преимущества по сравнению с сегодняшними инструментами ИИ.

Цитирование: 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

Ключевые слова: квантовое машинное обучение, медицинская визуализация, MedMNIST, квантовое оборудование IBM, смягчение ошибок