Resumo interno:
- Pesquisa da Universidade de Tecnologia de Pequim, do Gerente de Projetos de Ciência e Tecnologia de Pequim, Management Corporation Ltd, e da Universidade de Nottingham apresenta um modelo híbrido quântico-clássico que combina uma variedade de algoritmos quânticos e CNNs 3D para melhorar a precisão e a estabilidade dos lasers Speckle Contrast Imaging . (LSCI) de imagens de fluxo sanguíneo.
- Ao substituir as camadas de integração convencionais por vários circuitos quânticos, o modelo armazena dados espaciais e temporais, o que reduz a perda de informações e melhora o desempenho da previsão.
- Testes preliminares usando modelos de tecidos sintéticos mostraram que o modelo quântico-clássico superou os métodos clássicos em até 26,1% em precisão preditiva.
- Embora sejam necessários mais testes in vivo, este modelo pode ser estendido a outras modalidades de imagem, como ressonância magnética e tomografia computadorizada, estabelecendo potencialmente um novo padrão de precisão diagnóstica.
A imagem precisa do fluxo sanguíneo é importante no diagnóstico e tratamento de muitas condições de saúde, desde problemas de circulação cerebral até problemas vasculares no diabetes. No entanto, alcançar alta precisão nessas medições não é trivial. Um estudo recente publicado na Nature's Scientific Reports propõe uma estrutura combinada quântica-clássica para Laser Speckle Contrast Imaging (LSCI), uma técnica óptica amplamente utilizada para avaliar a dinâmica do fluxo sanguíneo. De acordo com o estudo, uma colaboração entre a Universidade de Tecnologia de Pequim, a Beijing Science and Technology Project Manager Management Corporation Ltd e a Universidade de Nottingham, esta estrutura combina uma variedade de algoritmos quânticos e redes neurais convolucionais 3D para melhorar a precisão e estabilidade da previsão de o modelo. funções de imagem do fluxo sanguíneo.
Limitações da imagem tradicional de manchas a laser
A tecnologia LSCI, conhecida por sua capacidade de visualizar o fluxo sanguíneo sem a necessidade de diferentes agentes, tem sido usada há muito tempo em áreas médicas, desde exames cerebrais e de retina até testes de trauma e queimaduras. No entanto, embora o LSCI tradicional forneça informações valiosas, ele permanece limitado, pois tem dificuldades com medições precisas do fluxo sanguíneo devido a limitações inerentes. Como mostra a pesquisa, o LSCI muitas vezes depende de modelos aproximados que não conseguem capturar dados quantitativos com precisão, especialmente quando confrontados com dificuldades como dispersores estáticos – partículas imóveis que podem perturbar a clareza da imagem ao espalhar a luz de maneiras imprevisíveis – e flutuações. tamanhos de pontos.
Para enfrentar esses desafios, modelos de aprendizado de máquina, especialmente CNNs 3D clássicos, foram integrados ao LSCI para capturar dados espaço-temporais. Embora tenham sucesso na melhoria da precisão, estes modelos utilizam frequentemente técnicas de amostragem, o que, segundo a investigação, pode resultar numa grande perda de informação. Os métodos de redução da resolução são usados para reduzir a resolução ou o tamanho dos dados por conveniência, mas geralmente levam à perda de informações no sistema. Esta limitação reduz a capacidade do modelo de incorporar totalmente padrões espaciais e temporais complexos nos dados LSCI e, em última análise, compromete qualquer desempenho preditivo.
Algoritmos Quânticos como Solução para Perda de Informação
Neste estudo, os pesquisadores apresentam um modelo híbrido quântico-clássico que aborda a perda de informação observada em CNNs 3D convencionais. Em vez de usar uma camada de integração global 3D padrão, uma camada que compacta mapas de recursos em valores únicos por canal, o modelo híbrido o substitui por um circuito quântico separado. Este VQC mantém relações espaciais e temporais dentro dos dados para manter a capacidade do modelo de fazer previsões precisas.
Conforme observado no estudo, os VQAs permitem que o modelo desenvolva um circuito quântico parametrizado usando computação clássica, tornando-o adequado para ambientes NISQ. Esta estrutura evita as armadilhas do encapsulamento excessivo frequentemente vistas em modelos mais antigos, graças à codificação de dados eficiente e ao contraste dos VQCs. Ao contrário do clustering convencional, os VQCs permitem que o modelo use todo o mapa de características, preservando informações espaço-temporais que de outra forma seriam perdidas.
Para testar seu modelo híbrido, os pesquisadores realizaram experimentos em um conjunto de dados de manchas de um fantasma especialmente projetado – modelo de tecido sintético projetado para imitar as propriedades ópticas do tecido humano – simulando o fluxo sanguíneo sob várias velocidades controladas. Para validação cruzada, o modelo híbrido mostrou uma melhoria de até 14,8% na raiz do erro quadrático médio e uma melhoria de 26,1% no erro percentual absoluto médio em comparação com CNNs 3D clássicos.
De acordo com o estudo, esse desempenho aprimorado se deve à capacidade do modelo quântico de capturar padrões complexos nos dados LSCI, proporcionando curvas de aprendizado estáveis e alta precisão de previsão. Curiosamente, os modelos quânticos também tiveram sucesso na integração de dados novos e abstratos – um recurso importante em aplicações médicas onde a fidelidade do modelo aos conjuntos de dados dos pacientes é crítica.
Desafios restantes e direções futuras
Embora a pesquisa mostre melhorias na precisão preditiva das imagens do fluxo sanguíneo, algumas limitações permanecem. Conforme observado pelos pesquisadores, a validação atual do modelo é baseada apenas em uma configuração experimental usando fantasmas de tecidos, que imitam o tecido humano, mas não capturam toda a complexidade dos sistemas biológicos vivos. Pesquisas futuras precisarão ampliar essa validação por meio de experimentos in vivo para confirmar a aplicabilidade clínica do modelo.
Além disso, devido a limitações computacionais, os pesquisadores só podem usar um número limitado de quadros de imagem para treinamento, o que pode afetar a capacidade do modelo de capturar toda a gama de fluxo sanguíneo. Aumentar a contagem de quadros e testar hardware quântico mais robusto são outras coisas que podem ter um impacto positivo no desempenho do modelo à medida que o poder de processamento quântico aumenta.
No entanto, os resultados deste estudo são uma contribuição importante para o processo mais amplo de aplicação do aprendizado de máquina quântica a imagens médicas. Com uma avaliação mais precisa do fluxo sanguíneo, esta estrutura híbrida quântica-clássica tem o potencial de melhorar uma variedade de áreas de diagnóstico, desde o monitoramento de úlceras no pé diabético até a avaliação do fluxo sanguíneo cerebral. Como observam os pesquisadores, a capacidade do modelo de reter todos os recursos dos mapas dos dados do LSCI significa que ele pode ser adaptado a outras modalidades de imagens médicas que dependem de dados de volume, como ressonância magnética e tomografia computadorizada.
Rumo à precisão clínica: o papel do quantum no diagnóstico médico
A investigação futura centrar-se-á na validação desta estrutura in vivo, estendendo-a para além dos ambientes experimentais. Embora o hardware de computação quântica atual apresente algumas limitações, os avanços contínuos na computação quântica podem tornar esses modelos mais precisos e acessíveis para uso clínico.
A capacidade do modelo híbrido quântico-clássico de reter informações espaço-temporais importantes o torna uma ferramenta valiosa não apenas para LSCI, mas também poderosa para outras aplicações que dependem tanto da precisão preditiva quanto da generalização em diversos conjuntos de dados. À medida que a tecnologia quântica avança, modelos como estes podem tornar-se a base para diagnósticos precisos e não invasivos.
Os autores que contribuíram para o estudo incluem YiXiong Chen, WeiLu Han, GuangYu Bin, ShuiCai Wu, Stephen Peter Morgan e Shen Sun.
