Kvantumszámítással pontosítanák a rákos daganatok felismerését

A pontosabb képszegmentálás a cél

Az Amir Kalev, a USC Viterbi Information Sciences Institute vezető kvantumkutatója által irányított kutatás azt vizsgálja, hogyan segíthet a kvantumszámítás az orvosoknak a rák korábbi felismerésében és a kezelések pontosabb megtervezésében. A kutatók szerint az egészségügy azért különösen fontos terület, mert az orvosi képalkotásnál alapvetőek a pontos előrejelzések.

Az MRI-, CT- és ultrahangfelvételek értelmezésében egyre gyakrabban használnak mesterséges intelligenciát. A rendszernek azonban először el kell végeznie a képszegmentálást. Ez azt jelenti, hogy nem pusztán felismeri a daganatot, hanem képpontról képpontra kirajzolja annak pontos körvonalát, és elkülöníti a rákos szövetet az egészségestől.

A pontosabb határok segíthetnek a sugárkezelés célzásában, a műtétek megtervezésében és annak megállapításában, hogy hatásos-e a terápia. Emellett mérsékelhetik a környező szervek szükségtelen károsítását is.

Kevesebb paraméterrel ért el jobb eredményt

Kalev és korábbi hallgatója, Naman Jain, aki 2025-ben szerzett mesterfokozatot kvantuminformatikából, létrehozta a Quantum Feature Extraction, röviden QuFeX nevű kvantummodult. A megoldást meglévő AI-rendszerek megerősítésére tervezték, nem azok kiváltására. Eredményeiket a Quantum Science and Technology folyóiratban megjelent, QuFeX: Quantum Feature Extraction Module for Hybrid Quantum-Classical Deep Neural Networks című tanulmányban ismertették.

A kutatók a QuFeX-et beépítették az orvosi képek elemzésében széles körben használt U-Net rendszerbe. Az így létrejött Qu-Net hagyományos mesterséges intelligenciát és kvantumszámítást kombinál. Több képszegmentálási teszten, köztük orvosi adathalmazokon, egy vezető klasszikus AI-modellel hasonlították össze.

A USC közleménye szerint a Qu-Net körülbelül 7 százalékkal jobb eredményt ért el a klasszikus alapmodellnél. Ehhez nagyjából 250 000 paramétert használt, szemben az U-Net 1,5 millió paraméterével. A kutatók szerint a kisebb modell alacsonyabb számítási költséget és rövidebb tanítási időt jelenthet, ami praktikusabbá teheti az ilyen rendszerek használatát a kórházakban.

A következő lépés a klinikai tesztelés

Kalev a USC Keck School of Medicine orvosaival is együttműködik, hogy kiderüljön, javíthatja-e a kvantumgépi tanulás a klinikai ellátást. Eric Chang, a Keck sugárterápiás tanszékének vezetője közreműködésével azt vizsgálják, felgyorsítható-e a sugárkezelés tervezésének egyik fontos lépése, a daganatok és az egészséges szervek körvonalazása.

A kutatók a közeljövőben szimulált felvételeken és valódi betegképeken tervezik tesztelni a technológiát. Siker esetén olyan rendszert szeretnének létrehozni, amely segít az orvosoknak frissíteni a kezelési terveket, miközben a daganatok idővel változnak.

Kalev hosszabb távú célja, hogy a személyre szabott sugárkezelési terv elkészítéséhez szükséges idő napokról egyetlen klinikai látogatásra csökkenjen. Ebben az esetben a beteget megvizsgálhatnák, elkészíthetnék a kezelési tervet, majd gyorsabban elindíthatnák a terápiát. A kutatás egyelőre korai szakaszban van. A rákkezelés mellett a technológia a USC szerint más orvosi képalkotási feladatokban, például agyi rendellenességek, szív- és érrendszeri betegségek vizsgálatában, valamint a sebészeti tervezésben is alkalmazható lehet.