Квантовая нейросеть научилась распознавать опухоли на повреждённых МРТ-снимках

Исследователи ННГУ проверили, может ли квантовый слой сделать медицинский ИИ устойчивее к шуму и искажениям

Обычно разговор о квантовых компьютерах быстро переходит к огромным вычислительным мощностям будущего. Исследователи ННГУ поставили гораздо более конкретный вопрос: может ли совсем небольшая квантовая схема помочь обычной нейросети лучше распознавать МРТ головного мозга?

Для этого им понадобилось всего два кубита.

Именно сочетание двух технологий — классического искусственного интеллекта и квантовой обработки — оказалось центральной идеей исследования.

Зачем вообще добавлять квантовую схему к обычной нейросети

Современные алгоритмы компьютерного зрения уже умеют находить закономерности на медицинских изображениях. Сверточная нейронная сеть последовательно анализирует особенности снимка — контуры, текстуры, формы и их сочетания — и постепенно превращает изображение в набор числовых признаков.

Затем по этим признакам алгоритм принимает решение, к какому классу относится изображение.

Но медицинские снимки редко бывают абсолютно одинакового качества. На результат могут влиять шум, особенности оборудования, движение пациента, настройки сканирования и другие искажения.

Поэтому важный вопрос для медицинского ИИ звучит не только как «насколько хорошо алгоритм работает на тестовой выборке?».

Не менее важно другое: что произойдёт, если изображение окажется хуже того, на котором система обучалась?

Именно эту проблему исследовала команда ННГУ.

Как устроена гибридная квантово-классическая нейросеть

Авторы не пытались отправить весь МРТ-снимок в квантовый компьютер.

Большую часть работы выполняла обычная сверточная нейронная сеть. Она извлекала из изображения наиболее значимые признаки и преобразовывала сложную картину МРТ в компактное математическое представление.

А затем начиналась необычная часть.

На финальном этапе классификации исследователи встроили в сеть вариационную квантовую схему из двух кубитов.

Кубит — квантовый аналог обычного компьютерного бита. Классический бит принимает значение 0 или 1, тогда как состояние кубита описывается квантовой суперпозицией этих состояний. Несколько кубитов также могут быть связаны квантовыми корреляциями.

В вариационной квантовой схеме параметры квантовых операций изменяются во время обучения примерно с той же общей целью, с какой обычная нейросеть настраивает свои веса: найти такое преобразование данных, которое позволит лучше разделить классы.

Получается своеобразная эстафета.

Сначала классический алгоритм превращает МРТ в компактный набор признаков. Затем квантовая схема преобразует это представление. После измерения результат снова становится обычными числами, на основании которых система выполняет классификацию.

Поэтому корректнее говорить не о «квантовом ИИ, читающем МРТ», а о гибридной системе, где квантовая схема выполняет лишь небольшую, но потенциально полезную часть вычислений.

Точность оказалась высокой, но это не самый интересный результат

В экспериментах гибридная архитектура достигала тестовой точности до 98,6%.

Это примерно на два процентных пункта выше результата сопоставимой классической сверточной нейросети.

Разница выглядит небольшой. Но для исследователей важен был не только абсолютный показатель точности.

Они начали намеренно портить входные изображения.

В снимки добавляли гауссовский шум — случайные изменения яркости пикселей, напоминающие электронные или измерительные помехи. Кроме того, использовали геометрические искажения.

И именно здесь проявилось наиболее интересное свойство модели.

Гибридная сеть лучше сохраняла способность правильно классифицировать изображения при ухудшении входных данных, особенно при сильном шуме и геометрических искажениях.

Вот где квантовая часть становится действительно интересной

Интуитивно можно ожидать, что преимущество квантовых вычислений должно проявляться прежде всего в скорости.

Но данная работа вовсе не демонстрирует, что квантовый компьютер быстрее анализирует МРТ.

Исследование указывает на другое возможное преимущество: способ представления информации.

После классической обработки изображение уже существует не как картинка, а как точка в математическом пространстве признаков. Задача классификатора — провести между различными группами таких точек границу.

Если изображение искажено, его положение в этом пространстве тоже меняется. Иногда настолько, что алгоритм переносит его на неправильную сторону границы.

Вариационная квантовая схема выполняет дополнительное нелинейное преобразование признаков. Авторы предполагают, что такое преобразование может создавать более удобное представление данных и помогать отделять один класс изображений от другого даже после появления искажений.

Проще говоря, квантовый слой не обязательно «видит опухоль лучше».

Он может по-другому организовывать уже извлечённую информацию, делая окончательное решение менее чувствительным к некоторым изменениям изображения.

И это, пожалуй, главный момент исследования.

При этом сами авторы подчёркивают важное ограничение: объяснение преимущества более богатым квантовым представлением пока остаётся качественной интерпретацией. Работа показывает улучшение результата, но не доказывает окончательно, какой именно квантовый механизм его обеспечивает.

Два кубита — это не квантовый компьютер будущего

Слово «квантовый» легко создаёт впечатление, будто исследователи использовали огромную вычислительную систему, недоступную обычным компьютерам.

Здесь ситуация почти противоположная.

Квантовая часть модели была намеренно небольшой — всего два кубита и относительно неглубокая вариационная схема.

В этом и состоит идея гибридного подхода.

Современные квантовые устройства пока ограничены количеством надёжно работающих кубитов, временем сохранения их состояния и ошибками вычислений. Поэтому одна из стратегий развития квантового машинного обучения заключается не в замене обычных компьютеров, а в разделении работы.

Классические процессоры делают то, что уже умеют хорошо. Квантовая схема подключается только там, где необычная структура квантовых преобразований потенциально может дать преимущество.

Такой подход значительно реалистичнее идеи полностью квантовой системы медицинской диагностики.

98,6% точности ещё не означают 98,6% точности диагноза

Здесь особенно важно провести границу между экспериментом и клинической практикой.

Показатель accuracy — доля правильно классифицированных изображений в конкретном эксперименте. Он не означает, что система уже способна с вероятностью 98,6% поставить правильный диагноз реальному пациенту.

Медицинская диагностика значительно сложнее.

Алгоритму предстоит работать со снимками разных томографов, протоколами разных клиник, пациентами разных возрастов и заболеваниями, которые могут выглядеть похоже. Кроме того, результат необходимо проверять на независимых данных, которые не участвовали в разработке модели.

Есть и более фундаментальный вопрос: действительно ли квантовая часть обеспечивает преимущество, которое сохранится при масштабировании системы и работе с реальным квантовым оборудованием?

Одного исследования для ответа недостаточно.

Почему медицинскому ИИ особенно нужна устойчивость к плохим данным

Гонка за максимальной точностью моделей постепенно сталкивается с проблемой, хорошо знакомой всей медицине: реальные данные гораздо менее аккуратны, чем экспериментальные.

Модель может прекрасно работать на стандартизированном наборе изображений и заметно хуже — после перехода в другую больницу.

Поэтому способность алгоритма сохранять качество при изменении входных данных может оказаться не менее важной, чем рекордная точность на исходном датасете.

Именно в этом контексте работа ННГУ выглядит особенно интересной.

Исследователи не просто добавили квантовый слой и сравнили две цифры. Они проверили, что происходит, когда входные данные становятся менее идеальными.

Если преимущество гибридных архитектур подтвердится на более крупных независимых наборах медицинских изображений, это может дать квантовому машинному обучению вполне конкретную нишу: не заменять существующий медицинский ИИ, а делать отдельные его компоненты устойчивее.

До кабинета радиолога ещё далеко

Следующий этап должен быть гораздо сложнее.

Необходимо проверить подобные модели на независимых клинических данных, сравнить их с более мощными современными классическими архитектурами и понять, сохраняется ли преимущество при работе на настоящем квантовом оборудовании.

Потребуется и более строгий анализ самого механизма.

Если небольшой квантовый слой действительно улучшает устойчивость модели, важно выяснить, происходит ли это благодаря специфически квантовым свойствам вычислений или аналогичный эффект можно получить классическими методами при сопоставимом числе параметров и вычислительных затратах.

До ответа на этот вопрос говорить о «квантовом превосходстве» в анализе МРТ было бы преждевременно.

Но исследование показывает более реалистичный сценарий развития технологии.

Возможно, первые полезные медицинские применения квантовых вычислений будут выглядеть не как отдельный квантовый компьютер, который самостоятельно ставит диагноз. Они могут появиться незаметно — в виде небольших вычислительных модулей внутри уже существующих систем искусственного интеллекта.