Vom quantengestützten maschinellen Lernen zur medizinischen Diagnose

Vom quantengestützten maschinellen Lernen zur medizinischen Diagnose
Vom quantengestützten maschinellen Lernen zur medizinischen Diagnose

QC Ware, ein führendes Unternehmen für Quantensoftware und -dienstleistungen, gab heute bekannt, dass ein gemeinsames Forschungsprojekt mit einem der weltweit führenden Biotechnologieunternehmen neue Entdeckungen in der Analyse und Diagnose medizinischer Bildgebung ermöglicht hat, wobei Quantencomputer genutzt werden, um das Vorhandensein und die Art der diabetischen Retinopathie besser zu erkennen .

Ihre Forschung zeigte, dass neue simulierte Quantencomputing-Algorithmen für maschinelles Lernen in einigen Fällen klassisches Computing bei der Analyse von Open-Source-medizinischen Netzhautbildern übertreffen, um diabetische Retinopathie zu erkennen.

Die Ankündigung kam, als die Einführung von maschinellem Lernen die medizinische Diagnostik weiter beschleunigt, und demonstriert die Leistungsfähigkeit von Quantencomputern, um die Datenwissenschaft in der Medizin erheblich zu optimieren.

Laut Forschungsergebnissen mit dem Titel „Quantum Vision Transducers“ schnitten Quantentransducer-Modelle mit klassischen Modellen ebenbürtig und oft sogar besser ab. Darüber hinaus sind Quantenmodelle einfacher und erfordern weniger Trainingsressourcen als ihre klassischen Gegenstücke, während sie dennoch genauso gute oder bessere Ergebnisse liefern.

„Diese Ergebnisse sind sehr ermutigend und wir freuen uns, die Forschung anzuführen, die die mögliche Zukunft des Quantencomputers bei der Beschleunigung der Bildverarbeitung und der medizinischen Diagnostik aufzeigt“, sagte Studienautor Iordanis Kerenidis, Senior Vice President für Quantenalgorithmen bei QC Ware. „Wir freuen uns darauf, in Zukunft daran zu arbeiten, diese wichtige Arbeit voranzutreiben und schnellere, präzisere Diagnosewerkzeuge zu ermöglichen, um die Gerechtigkeitslücken im Gesundheitswesen zu schließen“, heißt es in der Erklärung.

Der Aufmerksamkeitsmechanismus von Transformer-Designs, der jedes Datenelement in seinem Gesamtkontext bewertet, anstatt sich nur auf seinen unmittelbaren Kontext zu konzentrieren, ist ein Schlüsselmerkmal, das sie von anderen neuronalen Netzwerken unterscheidet. Durch die Anwendung von Quantencomputern auf den Aufmerksamkeitsmechanismus verwenden die Forscher Systeme, die weniger komplex und einfacher zu trainieren sind, um Ergebnisse zu erzielen, die mit denen vergleichbar oder besser sind als die, die mit herkömmlichen Modellen erzielt werden.

In der Studie wurde die Leistung kürzlich entwickelter neuronaler Quantenkonverter-Netzwerkdesigns und ihrer klassischen rechnerischen Gegenstücke untersucht. Während das Studienteam Quantenansätze verwendete, um die Leistung an standardisierten, öffentlich zugänglichen medizinischen Bilddatensätzen zu testen, konzentrierten sie sich hauptsächlich auf Netzhautbilder, die zur Erkennung und Diagnose des Stadiums der diabetischen Retinopathie verwendet werden könnten.

Laut Matt Johnson, CEO von QC Ware, wurde eine formale Definition solcher quantenneuronalen Netzwerkdesigns noch nie zuvor vorgenommen. Die Ergebnisse weisen auf die wachsende Rolle hin, die Quanten im Gesundheitswesen sowohl in der Diagnostik als auch in der Arzneimittelforschung spielen können, und wir freuen uns darauf, die Grundlagen für die Zukunft zu legen. Wenn wir eine solche Leistung in so kleinen Quantensystemen erreichen können, habe ich große Hoffnungen für die Zukunft.

Die Forscher bewerteten die Algorithmen auf simulierten Systemen mit bis zu 100 Qubits und führten direkte Tests mit bis zu sechs Qubits auf dem supraleitenden 27-Qubit-Quantencomputer von IBM durch, um die Studie durchzuführen.

Quelle: thequantuminsider

📩 19/03/2023 19:08