Gerçek kuantum donanımında MedMNIST veri kümesini kıyaslama

Neden Kuantum Bilgisayarlar Tıbbi Görüntülerle İlgilenir?

Hastaneler, doktorların giderek daha fazla yapay zekâ ile analiz ettiği röntgenler, taramalar ve mikroskop lamları gibi büyük tıbbi görüntü koleksiyonları üretiyor. Bu çalışma cesur bir soru soruyor: günümüzün erken dönem kuantum bilgisayarları bu iş yükünü paylaşmaya başlayabilir mi? Yazarlar, kuantum makine öğreniminin şu an ne kadar ilerleyebileceğini ve nerede hâlâ yetersiz kaldığını görmek için geniş ve çeşitli bir tıbbi görüntü kümesini gerçek IBM kuantum donanımında çalıştırdı.

Kuantum Çiplere Tıbbi Desenleri Öğretmek

Araştırmacılar, bilginin aynı anda birden çok durumda bulunabilen ve klasik bitlerin yapamadığı şekillerde birbirini etkileyebilen kuantum bitleriyle işlendiği kuantum makine öğrenimine odaklanıyor. Kuantum bileşenleri tanıdık derin sinir ağlarıyla karıştırmak yerine, bağımsız kapasitelerini test etmek için kasıtlı olarak sadece kuantum modelleri kullanıyorlar. Deney zemini olarak, göğüs röntgenleri, retina taramaları, cilt lezyonları, kan hücreleri, kolon dokusu ve karın BT dilimleri gibi hafif tıbbi görüntü veri kümelerini içeren standartlaştırılmış MedMNIST koleksiyonunu benimsiyorlar. Her veri kümesi, basit evet/hayır sorularından (örneğin zatürree var mı yok mu) çok sınıflı, güçlü şekilde dengesiz etiket dağılımlarına sahip daha zor problemlere kadar farklı sınıflandırma görevleri sunuyor.

Büyük Görüntüleri Küçük Kuantum Cihazlarına Sıkıştırmak

Günümüz kuantum işlemcileri küçük ve gürültülü olduğu için ekip tam klinik görüntüleri doğrudan kuantum devrelerine veremiyor. Bunun yerine, her görüntüyü ortalama havuzlama (average pooling) kullanarak ya 7×7 ya da 8×8 piksellik kaba bir ızgaraya indiriyor ve ardından her pikseli bir kuantum biti üzerine uygulanan bir dönüşe çeviriyorlar. Bu, devrenin işleyebileceği kompakt bir kuantum görüntü temsili oluşturuyor. Sınırlı donanımdan en iyi şekilde yararlanmak için Élivágar adlı otomatik tasarım aracıyla "cihaza duyarlı" devreler üretiyorlar. Araç, IBM’in 127 qubit’lik Cleveland işlemcisinin gerçek kablolama ve hata özelliklerine uygun pek çok aday devre örnekliyor, gürültü dayanıklılığı ile görüntü sınıflarını ayırabilme yeteneğini puanlıyor ve daha fazla test için en umut verici düzenleri seçiyor.

Simülasyonda Eğitme, Gerçek Kuantum Çipte Test Etme

Kuantum modeller önce güçlü klasik GPU’larda çalışan gürültüsüz bir yazılım simülatöründe eğitiliyor. Burada, devrenin dönüş kapılarının (rotation gates) parametreleri, simüle edilmiş devre eğitim görüntülerini en iyi ayırt edene kadar standart optimizasyon yöntemleriyle ayarlanıyor. İyi parametre ayarları bulunduğunda ekip bunları donduruyor ve yalnızca çıkarım adımını gerçek IBM cihazına taşıyor. Donanımda, boşta kalan qubit’leri çevresel etkilerden korumayı amaçlayan ekstra atım desenleri, tutarlı hataları ortalamak için rastgeleleştirme hileleri ve okuma hatalarını istatistiksel olarak düzelten bir ölçüm temizleme tekniği gibi gelişmiş hata işleme stratejileri katılıyor. En gürültüye duyarlı veri kümelerinden birinde yapılan ayrıştırma (ablation) çalışması, üç stratejinin tümünü birleştirmenin cihazda aynı devreyi çıplak çalıştırmaya kıyasla kaybedilen doğruluk ve sınıf-ayrışım kalitesini belirgin şekilde geri kazandırdığını gösteriyor.

Kuantum Modeller Klasik Yapay Zekâyla Nasıl Karşılaştırılıyor?

Sekiz MedMNIST veri kümesi genelinde, tamamen kuantum modeller, son derece az sayıda özellik ve parametre kullanmalarına rağmen sağlam performans sergiliyor. Örneğin zatürree tespiti için göğüs röntgenlerinde kuantum model yaklaşık %85 doğruluğa ulaşıyor—temelde milyonlarca ayarlanabilir ağırlığa sahip, çok daha yüksek çözünürlüklü görüntülerle çalışan popüler residual ağlara denk seviyede. Retina hastalığı ve cilt lezyonu kategorize etme gibi daha karmaşık çok sınıflı problemlerde kuantum modeller en güçlü klasik sistemlerin gerisinde kalıyor, ancak şaşırtıcı derecede rekabetçi kalıyorlar. Aynı düşük çözünürlüklü girdiler üzerinde eğitilmiş hafif klasik yöntemlerle karşılaştırıldığında, kuantum devreleri çok daha az ayarlanabilir parametreyle benzer doğruluk elde ediyor; bu da kuantum tasarımları için "parametre başına doğruluk" açısından avantajlı bir dengeye işaret ediyor.

Geleceğin Tıbbi Yapay Zekâsı İçin Ne Anlama Geliyor?

Bir genel okuyucu için temel mesaj, kuantum bilgisayarların, gürültülü ve küçük ölçekli bebeklik dönemlerinde bile, gerçekçi tıbbi görüntü karşılaştırma ölçütleriyle anlamlı şekilde uğraşabildiği—ancak henüz en iyi klasik yapay zekâyı yenmediği—durumdur. Bu çalışma, simülasyonda eğitilmiş ve 127 qubit’lik bir cihazda çalıştırılmış, çok sayıda farklı tıbbi görüntü türü boyunca değerlendirilmiş ve yerleşik klasik yaklaşımlarla titizlikle karşılaştırılmış bir dizi yalnızca-kuantum model için dikkatli, elma-elma kıyaslaması kuruyor. Sonuçlar, kuantum modellerin görüntü başına çok daha az bilgi kullanırken klasik performansa yaklaşabileceğini ve akıllı devre tasarımı ile hata işleme tekniklerinin kritik olduğunu gösteriyor. Kuantum donanımı daha büyük ve daha temiz hale geldikçe, bu aynı fikirler tıbbi görüntü analizini yalnızca eşitlik değil, günümüz yapay zekâ araçlarına göre gerçekten üstünlük sağlayan bir rejime itebilir.

Atıf: 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

Anahtar kelimeler: kuantum makine öğrenimi, tıbbi görüntüleme, MedMNIST, IBM kuantum donanımı, hata hafifletme