Benchmarking av MedMNIST-datasetet på riktig kvantmaskinvara

Varför kvantdatorer bryr sig om medicinska bilder

Sjukhus skapar stora samlingar av medicinska bilder—röntgenbilder, skanningar och mikroskopiska preparat—som läkare i allt högre grad analyserar med artificiell intelligens. Denna studie ställer en djärv fråga: kan dagens tidiga kvantdatorer börja dela på den arbetsbelastningen? Författarna kör en stor, mångsidig uppsättning medicinska bilder genom riktig IBM-kvantmaskinvara för att undersöka hur långt kvantmaskininlärning kan nå just nu, och var den fortfarande brister.

Lära kvantchip att se medicinska mönster

Forskarna fokuserar på kvantmaskininlärning, där information bearbetas med kvantbitar som kan befinna sig i flera tillstånd samtidigt och påverka varandra på sätt som vanliga bitar inte kan. I stället för att blanda kvantkomponenter med välkända djupa neurala nätverk använder de medvetet endast kvantmodeller för att testa deras fristående förmågor. Som testbädd använder de MedMNIST, en standardiserad samling av lätta medicinska bilddataset som täcker bröströntgen, näthinneskanningar, hudlesioner, blodceller, kolontissue och buk-CT-skivor. Varje dataset utgör en egen klassificeringsuppgift, från enkla ja/nej-frågor (t.ex. lunginflammation eller inte) till svårare flerkategori-problem med många klasser och starkt obalanserade etikettfördelningar.

Pressa ner stora bilder i små kvantenheter

Eftersom dagens kvantprocessorer är små och brusiga kan teamet inte mata in fullskaliga kliniska bilder direkt i kvantkretserna. I stället reducerar de varje bild till ett grovt rutnät—antingen 7×7 eller 8×8 pixlar—med hjälp av medelpoolning, och översätter sedan varje pixel till en rotation som appliceras på en kvantbit. Detta skapar en kompakt kvantrepresentation av bilden som kretsen kan arbeta med. För att utnyttja den begränsade hårdvaran maximalt genererar de "enhetsmedvetna" kretsar med ett automatiserat designverktyg kallat Élivágar. Det provtar många kandidatkretsar som respekterar den faktiska kopplingen och felkaraktäristiken hos IBMs 127-bits Cleveland-processor, poängsätter dem både för brusresistens och förmåga att separera bildklasser, och väljer de mest lovande layouterna för vidare testning.

Träning i siliko, testning på ett riktigt kvantchip

Kvantmodellerna tränas först i en brusfri mjukvarusimulator som körs på kraftfulla klassiska GPU:er. Här justeras parametrarna i kretsens rotationsgrindar med standardoptimeringsmetoder tills den simulerade kretsen bäst särskiljer träningsbilderna. När bra parameterinställningar har hittats fryser teamet dem och flyttar endast inferenz-steget till den riktiga IBM-enheten. På hårdvaran lägger de in avancerade felhanteringsstrategier: mönster av extra pulser avsedda att skydda vilande kvantbitar från omgivningen, randomiseringstrick för att jämna ut koherenta fel, och en mätstädningsteknik som statistiskt korrigerar läsfel. En ablationsstudie på ett av de mest brus-känsliga dataseten visar att kombinationen av alla tre strategier tydligt återhämtar förlorad noggrannhet och klassseparationskvalitet jämfört med att köra samma krets oskyddad på enheten.

Hur kvantmodeller står sig mot klassisk AI

Över åtta MedMNIST-dataset uppnår de rena kvantmodellerna solid prestanda trots att de använder drastiskt färre funktioner och parametrar än moderna djupa nätverk. På bröströntgen för lunginflammationsdetektion, till exempel, når kvantmodellen cirka 85 % noggrannhet—i praktiken i nivå med populära residualnätverk som arbetar på mycket högre upplösning med miljontals justerbara vikter. För mer komplexa, flerkategori-problem som näthinnesjukdom och klassificering av hudlesioner halkar kvantmodellerna efter de starkaste klassiska systemen men förblir överraskande konkurrenskraftiga. Jämfört med lättviktiga klassiska metoder tränade på samma lågupplösta indata uppnår kvantkretsarna liknande noggrannhet med betydligt färre ställbara parametrar, vilket tyder på en fördelaktig "noggrannhet per parameter"-avvägning för kvantdesigns.

Vad detta innebär för framtidens medicinska AI

För en lekmannaläsare är huvudbudskapet att kvantdatorer, även i sin brusiga, småskaliga barndom, redan kan ta sig an realistiska medicinska bildbenchmarks på ett meningsfullt sätt—även om de ännu inte slår den bästa klassiska AI:n. Detta arbete etablerar ett noggrant, äpple-till-äpple benchmark: en familj av rena kvantmodeller, tränade i simulering och körda på en 127-kvants enhet, utvärderade över många olika typer av medicinska bilder och rigoröst jämförda med etablerade klassiska metoder. Resultaten visar att kvantmodeller kan komma nära klassisk prestanda samtidigt som de använder betydligt mindre information per bild, och att smart kretsdesign plus felhanteringstekniker är avgörande. När kvantmaskinvara växer större och renare kan dessa idéer bidra till att driva medicinsk bildanalys in i ett skede där kvantprocessorer inte bara når paritet utan erbjuder verkliga fördelar jämfört med dagens AI-verktyg.

Citering: 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

Nyckelord: kvantmaskininlärning, medicinsk bildbehandling, MedMNIST, IBM kvantmaskinvara, felmitigering