 |
| O câncer de mama foi escolhido como alvo para teste do modelo computacional porque é o tipo mais comum entre mulheres no mundo, com 2,3 milhões de casos e 670 mil mortes registradas em 2022 CDC reprodução |
Redes neurais quântico-clássicas simples conseguem obter bons resultados na classificação de lesões com menos parâmetros computacionais; modelo híbrido foi demonstrado por cientistas da Unesp em simpósio internacional
A
computação quântica ainda está em fase inicial de desenvolvimento, mas seus
usos potenciais têm sido bastante explorados por pesquisadores. Um estudo recente,
realizado na Universidade Estadual Paulista (Unesp), propôs um modelo híbrido
quântico-clássico para apoiar o diagnóstico de câncer de mama a partir de
imagens médicas.
O trabalho foi publicado nos anais do 38º
International Symposium on Computer-Based Medical Systems (CBMS), do Institute
of Electrical and Electronics Engineers (IEEE). Nele, os autores descrevem uma
rede neural híbrida que combina camadas quânticas com camadas clássicas,
utilizando uma abordagem conhecida como “quanvolutional neural network”
(QNN). O modelo foi aplicado a imagens de mamografias e ultrassonografias com o
objetivo de classificar lesões como benignas ou malignas.
“O que quisemos trazer nesse
trabalho foi uma arquitetura muito básica, que utilizasse computação quântica,
mas que contivesse um mínimo de aparatos quânticos e clássicos”, conta Yasmin Rodrigues, primeira
autora do estudo. O trabalho faz parte de seu projeto de iniciação científica,
orientado por João Paulo Papa, professor titular do Departamento de Computação da Unesp, campus de
Bauru, que também assina o artigo.
O câncer de mama foi escolhido
como alvo para teste do modelo computacional porque é o tipo mais comum entre
mulheres no mundo, com 2,3 milhões de casos e 670 mil mortes registradas em
2022. A detecção precoce é crucial para aumentar as chances de cura e
sobrevida. No entanto, métodos tradicionais, como a mamografia, dependem
fortemente da interpretação humana, o que pode levar a variações no
diagnóstico. “Apesar de ser teoricamente simples de acompanhar, a mamografia
ainda é um exame cuja interpretação depende muito do profissional que realiza o
procedimento”, diz Papa.
O que distingue o trabalho da
Unesp de outras iniciativas em inteligência artificial aplicada à saúde é a adoção
de uma camada de convolução quântica associada a uma camada clássica. “Assim
como a convolução clássica, o objetivo da convolução quântica é extrair
características locais de dados estruturados, como imagens. Mas ela o faz
aproveitando propriedades únicas dos sistemas quânticos, como superposição e
emaranhamento, que possibilitam processar informações com muito mais eficiência
e rapidez”, diz Papa. No estudo, a camada quântica, composta por quatro qubits
(bits quânticos), substitui a operação tradicional de extração de
características das imagens.
“O que fizemos, basicamente,
foi passar as imagens por esse circuito quântico de quatro qubits, com
operações de rotação e portas lógicas. Isso nos possibilitou obter as medições
necessárias. Depois, as imagens seguiram para camadas clássicas simples, que
entregaram a classificação final”, detalha Rodrigues.
O estudo não utilizou um
processador quântico verdadeiro, mas uma plataforma clássica, como o framework
PennyLane, que reproduz o comportamento ideal de um circuito quântico sem
ruídos ambientais. Existem poucos computadores quânticos de verdade no mundo.
Todos estão em fase experimental e dispõem de um número limitado de qubits,
variando de algumas dezenas a pouco mais de um milhar. Requerem salas
impecavelmente limpas, isolamento vibracional, blindagem eletromagnética e, na
maioria dos casos, resfriamento próximo do zero absoluto (−273 °C). Por isso,
seu uso, quando disponibilizado a clientes, é desproporcionalmente caro.
“Simuladores como os que
utilizamos funcionam inteiramente em plataformas clássicas, não usam qubits
reais, mas dão uma ideia de como os circuitos se comportariam no mundo quântico
ideal. São livres de erros, livre de variações do ambiente que afetam bastante
os computadores quânticos atuais”, detalha Rodrigues. Segundo ela, apesar de
extremamente simples, o circuito quântico simulado já mostrou resultados
promissores. “A rede clássica que melhor performou tinha 11 milhões de
parâmetros. A nossa, com a camada quântica, tinha cerca de 5 mil. Isso muda
tudo”, compara.
Um conceito físico fundamental
por trás do modelo é o de superposição. É a superposição que diferencia o qubit
do bit clássico. A pesquisadora explica: “Para entender o conceito de
superposição é interessante recorrer a uma representação conhecida como esfera
de Bloch. Podemos imaginar essa esfera como uma bola de futebol, na qual cada
ponto da superfície representa um estado quântico possível. No topo da esfera,
o polo norte, temos o estado 0. No polo sul, o estado 1. Todos os outros pontos
da superfície correspondem a estados de superposição entre 0 e 1. Quando o
sistema está exatamente no polo norte ou sul, temos 100% de certeza de que o qubit
está no estado 0 ou 1, respectivamente. Mas, em qualquer outro ponto da esfera,
entramos no território probabilístico: o qubit está em uma superposição com
probabilidades variáveis de ser medido como 0 ou 1”.
Há muitos estados de
superposição possíveis. Por exemplo, o qubit pode estar em um estado que tem
70% de chance de ser 0 e 30% de ser 1, ou qualquer outra combinação. “Por
apresentarem esses estados superpostos, os qubits podem lidar com muito mais
informações durante o processamento do que os bits clássicos. Essa é uma das
razões pelas quais a computação quântica tem tanto potencial para superar a
clássica. Ela tem uma capacidade e uma velocidade de processamento
incomparavelmente maiores. Mas será preciso superar um grande número de
desafios tecnológicos antes que esse potencial possa ser realizado em larga
escala. A expectativa é a de que as pessoas possam ter computadores quânticos
em casa, como têm hoje computadores convencionais”, sublinha Papa.
No estudo, as informações
codificadas nos qubits foram pixels das imagens de mamografia e
ultrassonografia. Às vezes, um pixel apenas; às vezes, mais de um. O modelo foi
testado com duas bases de dados: BreastMNIST (com imagens de ultrassonografia)
e BCDR (com mamografias segmentadas). Mesmo utilizando um circuito com apenas
quatro qubits, a rede híbrida obteve desempenho competitivo. No melhor caso,
alcançou 87,2% de acurácia no conjunto de teste e 86,1% no de validação. “A
ideia foi criar uma arquitetura que poderá ser utilizada e aprofundada em
outros estudos”, comenta Rodrigues.
Outras
aplicações
Embora o estudo tenha focado o
câncer de mama, os autores destacam que a arquitetura desenvolvida pode ser
aplicada a outras áreas. Pode, por exemplo, ser usada para análise de lesões
cerebrais ou classificação de tecidos em imagens de microscopia. “Estamos dando
o primeiro passo em direção a um novo paradigma de computação para diagnóstico
médico. É um campo promissor e que tende a crescer muito nos próximos anos”,
conclui a pesquisadora.
O estudo foi apoiado pela
FAPESP por meio dos projetos 13/07375-0 e 23/14427-8. E de bolsas concedidas a
integrantes da equipe: 24/08242-8, 24/00789-8 e 24/00117-0.
O artigo A hybrid
quantum-classical model for breast cancer diagnosis with quanvolutions pode
ser lido em: www.computer.org/csdl/proceedings-article/cbms/2025/261000a290/284KoGyo4QU.
José Tadeu Arantes
Agência FAPESP
https://agencia.fapesp.br/combinacao-de-computacao-quantica-e-classica-apoia-diagnostico-precoce-de-cancer-de-mama/55916
Nenhum comentário:
Postar um comentário