Quantum Machine Learning in Medical Imaging: A Primer for Radiologists

Seit Jahrzehnten stützt sich das Fachgebiet der Radiologie auf eine leistungsstarke Partnerschaft zwischen menschlicher Expertise und künstlicher Intelligenz. Computer sind außergewöhnlich gut darin geworden, medizinische Bilder zu scannen, Muster in Röntgenbildern und Scans zu entdecken, die dem menschlichen Auge entgehen könnten, und Ärzten dabei zu helfen, schnellere Entscheidungen zu treffen. Dieser Erfolg ist jedoch mit wachsenden Kosten verbunden. Da die Bilder detaillierter und die Fragestellungen komplexer werden, benötigen die Computer, die sie lösen sollen, immense Mengen an Strom und Speicher. In einigen Fällen sind die Probleme so schwierig, dass selbst die fortschrittlichsten Supercomputer Mühe haben, in einer angemessenen Zeit Antworten zu finden. Wissenschaftler haben begonnen, sich nach einer anderen Art des Rechnens umzusehen, die nicht auf den Standard-Schaltern aus Nullen und Einsen basiert, sondern stattdessen die seltsamen, kontraintuitiven Regeln der winzigen Welt der Atome nutzt. Dieser neue Ansatz, bekannt als Quantencomputing, verspricht, bestimmte Arten von Berechnungen viel schneller als aktuelle Maschinen zu bewältigen, und bietet einen potenziellen Weg nach vorn für die anspruchsvollsten Aufgaben in der medizinischen Bildgebung.

Ein aktueller Review-Artikel lenkt die Aufmerksamkeit der Radiologen auf diese aufstrebende Technologie und erklärt, wie diese Quantenprinzipien die Analyse medizinischer Bilder letztlich umgestalten könnten. Die Autoren, ein Team aus Ärzten und Forschern, unterteilen die Kernideen in fünf handhabbare Konzepte. Zuerst beschreiben sie die Basiseinheit der Information, die kein einfacher Schalter ist, sondern ein winziges Teilchen, das gleichzeitig in mehreren Zuständen existieren kann. Diese Fähigkeit ermöglicht es einem System, viele Möglichkeiten gleichzeitig zu untersuchen, anstatt sie nacheinander abzufragen. Zweitens erklären sie, wie diese Teilchen miteinander verknüpft werden können, sodass der Zustand eines Teilchens augenblicklich die anderen beeinflusst, wodurch ein Geflecht von Verbindungen entsteht, das komplexe Beziehungen in Daten darstellen kann. Drittens erläutern sie die Werkzeuge, die verwendet werden, um diese Teilchen zu manipulieren, welche wie reversible Zahnräder wirken, die Informationen verschieben, ohne sie zu verlieren. Schließlich beschreiben sie, wie diese Werkzeuge zu einer Sequenz angeordnet werden – einem strukturierten Pfad, der Rohdaten in eine endgültige Antwort transformiert. Der Artikel skizziert auch die physischen Maschinen, die heute gebaut werden und die supergekühlte Schaltkreise, schwebende Atome oder Lichtstrahlen nutzen, um diese Quantenzustände zu erzeugen, obwohl sie alle derzeit in einer verrauschten, unvollkommenen Umgebung operieren, in der Informationen leicht verloren gehen können.

Das Papier wendet sich dann den spezifischen Wegen zu, wie Forscher versuchen, diese Ideen auf die Medizin anzuwenden. Der in der Literatur am häufigsten gefundene Ansatz ist ein Hybridsystem, bei dem ein herkömmlicher Computer die Hauptarbeit der Bildvorbereitung übernimmt und ein kleiner Quantenprozessor für einen spezifischen Schritt übernimmt, wie etwa die Klassifizierung eines Tumors oder das Finden eines Musters. Die Autoren fassen mehrere Arten dieser Hybridmodelle zusammen. Einige agieren wie fortschrittliche Filter, die kleine Bildbereiche betrachten, um einzigartige Merkmale zu finden. Andere fungieren als Klassifikatoren, die Linien zwischen verschiedenen Arten von Krankheiten ziehen, wie etwa die Unterscheidung zwischen einem gutartigen und einem bösartigen Wachstum. Der Review hebt hervor, dass diese Methoden an einer Vielzahl medizinischer Aufgaben getestet wurden, darunter die Identifizierung von Hirntumoren in Magnetresonanztomographien, die Erkennung von Pneumonie in Thorax-Röntgenbildern und die Klassifizierung von Hautläsionen. In einer spezifischen, erwähnten Studie gelang es einem kompakten System mit vier Quanteneinheiten, tausende Gehirnscans mit hoher Genauigkeit für eine einfache Ja-oder-Nein-Frage zu klassifizieren, wenngleich es größere Schwierigkeiten hatte, wenn es darum gebeten wurde, die Tumore in viele verschiedene Kategorien zu sortieren.

Trotz dieser vielversprechenden frühen Ergebnisse betonen die Autoren vorsichtig, dass diese Technologie noch nicht bereit für das Krankenhaus ist. Nahezu jede im Review diskutierte Studie wurde auf einem Computersimulator oder auf einer sehr kleinen, heruntergesampelten Version eines echten medizinischen Bildes durchgeführt. Die tatsächlich verfügbare Hardware ist durch Rauschen und einen Mangel an Fehlerkorrektur begrenzt, was bedeutet, dass die in Simulationen gesehenen Ergebnisse deutlich abfallen, wenn sie auf echten Maschinen ausgeführt werden. Die Forscher merken an, dass das Potenzial für Geschwindigkeit und Effizienz zwar real ist, die aktuellen Systeme jedoch zu zerbrechlich und zu klein sind, um die vollständigen, hochauflösenden Bilder zu verarbeiten, die im täglichen klinischen Betrieb verwendet werden. Das Papier schließt die Vorstellung explizit aus, dass Quantencomputer herkömmliche Werkzeuge der künstlichen Intelligenz in naher Zukunft ersetzen werden; stattdessen werden sie als experimentelle Werkzeuge präsentiert, die eines Tages spezifische, schwierige Probleme lösen könnten, an denen klassische Computer scheitern. Die Autoren kommen zu dem Schluss, dass es für diese Technologie erforderlich sein wird, von der Laborwelt in die Klinik zu gelangen, was eine enge Zusammenarbeit zwischen Radiologen, Physikern und Informatikern voraussetzt, um sicherzustellen, dass zukünftige Fortschritte auf realen diagnostischen Bedürfnissen basieren und nicht nur auf theoretischen Möglichkeiten.