La integración cuántica en el transformador SWIN mitiga el exceso de ajuste en el cribado del cáncer de mama

Área de la Ciencia:

• La computación cuántica
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Los modelos de transformadores son el estado de la técnica en el aprendizaje profundo para el análisis de imágenes médicas.
• La precisión del cribado del cáncer de mama es fundamental para la detección temprana y la mejora de los resultados de los pacientes.
• La integración de la computación cuántica puede ofrecer nuevas ventajas computacionales para tareas complejas de IA.

Objetivo del estudio:

• Investigar la eficacia de la computación cuántica para mejorar los modelos de aprendizaje profundo basados en transformadores para el cribado del cáncer de mama.
• Introducir y evaluar el modelo de transformador Swin mejorado cuánticamente (QEST).
• Evaluar el rendimiento de QEST en comparación con los modelos tradicionales de Swin Transformer.

Principales métodos:

• El estudio desarrolló el transformador Swin mejorado cuánticamente (QEST) mediante la incorporación de un circuito cuántico variacional (VQC) en la arquitectura del transformador Swin.
• El VQC reemplazó la capa de clasificación totalmente conectada del transformador Swin.
• El rendimiento se evaluó a través de simulaciones y experimentos de validación en una computadora cuántica real.

Principales resultados:

• QEST demostró una precisión y un rendimiento de generalización competitivos en comparación con el transformador Swin estándar.
• La integración de VQC condujo a una reducción significativa en el recuento de parámetros (62,5% en simulaciones de 16 qubits).
• QEST mejoró la precisión equilibrada (BACC) en un 3,62% en la validación externa y mostró un efecto en la mitigación del exceso de ajuste.

Conclusiones:

• La computación cuántica tiene un potencial significativo para el avance de modelos de aprendizaje profundo en aplicaciones médicas como el cribado del cáncer de mama.
• El modelo QEST ofrece un enfoque híbrido cuántico-clásico prometedor, reduciendo la complejidad computacional mientras se mantiene o mejora el rendimiento.
• La validación en el hardware cuántico real confirma la viabilidad práctica y la eficacia de QEST para el cribado del cáncer de mama.