Resumo interno:
- A pesquisa apresentada na Conferência Ásia-Pacífico sobre Inovação em Tecnologia de 2024 explora como modelos quânticos de aprendizado de máquina, como Pegasos QSVC e Variational Quantum Classifier, podem melhorar a detecção do câncer de pulmão.
- O cancro do pulmão continua a ser difícil de detectar precocemente e está associado a elevadas taxas de mortalidade, criando uma necessidade de métodos de diagnóstico mais eficazes e seguros, para além dos métodos tradicionais, como tomografias computadorizadas e biópsias.
- O Pegasos QSVC superou o VQC em termos de precisão, atingindo 85%, devido à sua capacidade de lidar com dados de alta dimensão e resistência ao overfitting usando o parâmetro de normalização.
- Embora o QML se mostre promissor, desafios como a escalabilidade do modelo e as atuais limitações do hardware quântico devem ser abordados, com pesquisas futuras focadas na expansão de conjuntos de dados e no refinamento de modelos para aplicações de saúde mais amplas.
O cancro do pulmão foi anteriormente listado pela Organização Mundial de Saúde como um dos cancros mais comuns em todo o mundo, conforme observado num estudo recente. Este estudo, apresentado na Conferência Ásia-Pacífico sobre Inovação em Tecnologia de 2024, examina como o QML pode ajudar a detectar o câncer de pulmão. Ao combinar dois modelos QML – Pegasos QSVC e Variational Quantum Classifier – os autores procuram melhorar a precisão preditiva e a eficiência desta doença de alta mortalidade.
A necessidade de inovação na detecção do câncer de pulmão
De acordo com este estudo, o cancro do pulmão continua a ser um dos cancros mais difíceis de diagnosticar e tratar devido ao seu diagnóstico tardio e à elevada taxa de mortalidade. Os métodos de diagnóstico convencionais, como tomografia computadorizada e biópsias, embora confiáveis, são frequentemente caros e demorados, com limitações na detecção precoce. Além disso, os factores de risco para o cancro do pulmão, como o tabagismo e a exposição a poluentes, criam uma necessidade premente de métodos de detecção eficientes e controláveis.
No seu estudo, os investigadores propuseram uma estrutura na qual a aprendizagem automática quântica poderia fornecer métodos eficientes e precisos para identificar riscos de cancro do pulmão. Ao contrário dos modelos tradicionais de aprendizado de máquina, os modelos QML podem ser capazes de resolver problemas complexos com alta eficiência computacional.
Modelos quânticos funcionam
A pesquisa se concentra em dois algoritmos QML: Pegasos QSVC e VQC, aplicados a um conjunto de dados de câncer de pulmão retirado do Kaggle. Este conjunto de dados inclui 26 fatores relacionados à saúde de mais de 1.000 pacientes, rotulados como de baixo, moderado ou alto risco de câncer de pulmão.
Para orientar o processo de classificação, os investigadores transformaram os rótulos multicategorias num problema de classe binária, distinguindo entre condições de “alto risco” e de “não alto risco”. O algoritmo Pegasos QSVC, baseado na estrutura da máquina de vetores de suporte, foi então aplicado ao conjunto de dados, usando otimização quântica para classificar os riscos de câncer de pulmão.
Pegasos QSVC superou o VQC em precisão, atingindo uma precisão de 85 divisões. A equipe de pesquisa atribui o sucesso do modelo à sua capacidade de lidar com dados de alta dimensão de forma eficaz e de resistir ao overfitting devido à inclusão de um parâmetro de normalização. Tal como observado no estudo, isto também demonstra o potencial do QML nos cuidados de saúde, especialmente na detecção precoce do cancro, onde a precisão é crítica.
Ambos os modelos foram avaliados usando métricas como precisão, recall, precisão e pontuação F1. Embora o VQC tenha mostrado força, o Pegasos QSVC lidou com a complexidade do conjunto de dados de forma mais eficaz, beneficiando-se de sua otimização estocástica de gradiente e ajuste dinâmico de parâmetros. O ajuste fino do parâmetro de ajuste melhorou ainda mais a precisão e robustez do QSVC ao ruído, enquanto a dependência do VQC de circuitos quânticos prejudicou sua robustez e desempenho comparativamente.
Desafios e considerações para o futuro
Embora tenha havido preocupações generalizadas de que, em algumas aplicações, o custo da tecnologia quântica possa superar os benefícios da utilização da tecnologia em si, a integração da computação quântica nos cuidados de saúde, especialmente em testes preditivos, pode proporcionar uma vantagem ao considerar quaisquer melhorias de velocidade. ou precisão na detecção das doenças mais mortais. No entanto, embora o Pegasos QSVC tenha alcançado grande sucesso, ainda existem limitações a serem abordadas. Os investigadores observam que as limitações destes modelos continuam a ser uma preocupação, uma vez que grandes conjuntos de dados podem representar desafios devido às limitações das atuais capacidades de hardware de computação quântica. À medida que a tecnologia quântica se desenvolve, com melhorias na correção de erros quânticos e na estabilidade dos qubits, estes modelos podem ser suficientemente poderosos para ter aplicações mais amplas nos cuidados de saúde.
O Caminho a Seguir: Expandindo o Papel do QML na Saúde
Os próximos passos desta pesquisa incluem expandir o conjunto de dados e refinar os modelos quânticos para melhorar sua generalização. Ao fazer isso, o QML poderá um dia se tornar a base de sistemas de saúde inteligentes, fornecendo previsões precisas e em tempo real que salvam vidas.
Os autores que contribuíram para este estudo incluem Manushi Munshi, Rajesh Gupta, Nilesh Kumar Jadav, Sudeep Tanwar, Anuja Nair e Deepak Garg.
