Идентификация нескольких заболеваний глаз с помощью гибридной квантовой сверточной нейронной сети по фундус‑изображениям

Более точные проверки зрения со «смышлеными» машинами

Многие проблемы со зрением можно было бы предотвратить при раннем выявлении заболеваний глаз, но доступ к специалистам и качественным снимкам ограничен. В этой работе исследуется новый подход к анализу фотографий заднего отрезка глаза — фундус‑изображений — с использованием сочетания передовых идей квантовых вычислений и современных методов искусственного интеллекта. Цель проста, но важна: быстро и надежно обнаруживать сразу несколько распространенных заболеваний глаза, чтобы своевременно начинать лечение, сохраняющее зрение.

Почему важна задняя часть глаза

Сетчатка — тонкий слой ткани на задней стенке глаза, который преобразует свет в сигналы для мозга. Многие серьезные заболевания оставляют характерные признаки именно на ней: возрастная макулярная дегенерация, глаукома, диабетическая ретинопатия, повреждения, связанные с гипертонией, миопия и катаракта. Врачи могут фотографировать сетчатку стандартной фундус‑камерой, которая дешевле и доступнее сложных сканеров. Однако интерпретация таких снимков вручную медленная, требует высококвалифицированных специалистов и особенно затруднена при слабых ранних изменениях или при наличии нескольких сопутствующих проблем.

Очистка изображения перед диагностикой

Прежде чем компьютер сможет проанализировать фундус‑фото, изображения необходимо очистить и привести к единому виду. В данной работе авторы сначала обрезают круговую область глаза, изменяют размер изображения, а затем улучшают видимость важных структур с помощью двух методов: анизотропной диффузионной фильтрации для подавления шума без размытия ключевых краев и вейвлет‑преобразований для повышения контраста. Они также расширяют набор обучающих данных путем поворотов, масштабирования, сдвигов, зеркального отражения и добавления контролируемого шума. Такая тщательная «подготовка» изображений помогает модели учитывать реальную вариативность снимков и снижает риск сбоев при использовании камер или условий освещения, отличающихся от обучающих.

Смешение классического ИИ и квантовых идей

В основе исследования — гибридная квантово‑сверточная нейронная сеть (QCNN). Традиционная сверточная нейронная сеть отлично выявляет паттерны — линии, текстуры и формы — на изображениях. QCNN сохраняет эту знакомую структуру, но добавляет слои, вдохновленные квантовыми вычислениями, которые оперируют данными, закодированными как квантовые состояния. Практически это выглядит так: легкая классическая сеть сначала сжимает пары изображений с левого и правого глаза пациента. Полученные признаки затем отображаются в представление из восьми «кубитов», где специальные квантовые вентилы выполняют повороты и устанавливают связи между кубитами. Это позволяет системе исследовать очень богатое пространство возможных шаблонов при относительно небольшом числе настраиваемых параметров.

Как обучаются квантовые слои

Квантовая часть модели имитирует хорошо известные этапы анализа изображений. Квантовые «сверточные» слои выполняют роль фильтров, сканируя данные в поисках полезных структур, тогда как квантовые «пулинговые» слои сокращают сложность, объединяя информацию из нескольких кубитов без утраты ключевых признаков. Система многократно измеряет получающиеся квантовые состояния и передает результаты измерений в окончательный слой принятия решения, который выдает вероятность каждой метки заболевания глаза. В процессе обучения классический оптимизатор корректирует как обычные веса нейронной сети, так и настройки квантовых вентилей, чтобы улучшить качество, ориентируясь на стандартные метрики: точность, precision, recall и F1‑score.

Тестирование модели

Чтобы проверить, что подход работает не только на бумаге, исследователи обучали и тестировали модель на OIA‑ODIR — большой публичной коллекции из 10 000 фундус‑изображений 5 000 пациентов с разметкой по семи заболеваниям глаз и нормальным состоянием. Данные были разделены так, чтобы часть снимков использовалась для обучения, часть для настройки, а другие — как с тех же площадок, так и с внешних — для проверки обобщаемости. В сравнении с несколькими сильными системами глубокого обучения, включая Fundus‑DeepNet, Inception‑v4, VGG16 и ResNet‑101, QCNN показала лучшие результаты. Она достигла примерно 94 процентов точности и столь же высоких показателей precision, recall и F1‑score как на внутренних, так и на внешних тестовых наборах, что означает не только частые правильные решения, но и небольшое число пропущенных случаев заболеваний.

Что это значит для пациентов

Проще говоря, более «умное» программное обеспечение может помочь сохранить зрение, сделав массовый скрининг сетчатки быстрее, более последовательным и способным одновременно отмечать несколько заболеваний. Описанная квантово‑усиленная сеть пока запускается на симуляторах и требует мощных вычислений, поэтому она еще не готова к повседневному клиническому применению. Она также унаследовала типичные ограничения медицинского ИИ: неравномерность данных для редких болезней и различия между больницами. Тем не менее ее высокая эффективность указывает, что сочетание классических и квантово‑вдохновленных методов позволяет извлечь больше информации из тех же фундус‑снимков. По мере развития квантового оборудования и роста наборов данных такие системы могут стать практичными инструментами для поддержки офтальмологов по всему миру, особенно там, где не хватает специалистов.

Цитирование: 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

Ключевые слова: изображение сетчатки, обнаружение заболеваний глаз, квантовые нейронные сети, анализ медицинских изображений, искусственный интеллект в офтальмологии