Quantum Machine Learning in Medical Imaging: A Primer for Radiologists

Per decenni, il campo della radiologia si è affidato a una potente collaborazione tra l'esperienza umana e l'intelligenza artificiale. I computer sono diventati eccezionalmente bravi a scansionare le immagini mediche, individuando schemi in raggi X e scansioni che l'occhio umano potrebbe mancare, aiutando i medici a prendere decisioni più rapidamente. Tuttavia, questo successo è arrivato con un costo crescente. Man mano che le immagini diventano più dettagliate e le domande più complesse, i computer necessari per risolverle richiedono quantità immense di potenza e memoria. In alcuni casi, i problemi sono così difficili che persino i supercomputer più avanzati faticano a trovare risposte in tempi ragionevoli. Gli scienziati hanno iniziato a guardare verso un tipo diverso di calcolo, uno che non si basa sugli standard interruttori di zeri e uno, ma che utilizza le regole strane e controintuitive del mondo minuscolo degli atomi. Questo nuovo approccio, noto come calcolo quantistico, promette di gestire certi tipi di calcoli molto più velocemente rispetto alle macchine attuali, offrendo una potenziale via d'uscita per i compiti più impegnativi nell'imaging medico.

Un recente articolo di revisione porta questa tecnologia emergente all'attenzione dei radiologi, spiegando come questi principi quantistici potrebbero eventualmente rimodellare l'analisi delle immagini mediche. Gli autori, un team di medici e ricercatori, suddividono le idee fondamentali in cinque concetti gestibili. In primo luogo, descrivono l'unità di base dell'informazione, che non è un semplice interruttore ma una minuscola particella che può esistere in più stati contemporaneamente. Questa capacità permette a un sistema di esplorare molte possibilità simultaneamente invece di controllarle una alla volta. In secondo luogo, spiegano come queste particelle possano essere collegate tra loro in modo che lo stato di una influenzi istantaneamente gli altri, creando una rete di connessioni che può rappresentare relazioni complesse nei dati. In terzo luogo, dettagliano gli strumenti utilizzati per manipolare queste particelle, che agiscono come ingranaggi reversibili che spostano l'informazione senza perderla. Infine, descrivono come questi strumenti siano disposti in una sequenza, un percorso strutturato che trasforma i dati grezzi in una risposta finale. L'articolo delinea anche le macchine fisiche che vengono costruite oggi, le quali utilizzano circuiti superraffreddati, atomi sospesi o fasci di luce per creare questi stati quantistici, sebbene tutte operino attualmente in un ambiente rumoroso e imperfetto dove l'informazione può facilmente andare perduta.

Il documento si occupa poi dei modi specifici in cui i ricercatori stanno cercando di applicare queste idee alla medicina. L'approccio più comune trovato nella letteratura è un sistema ibrido, in cui un computer tradizionale si occupa del lavoro pesante di preparazione dell'immagine, mentre un piccolo processore quantistico prende il sopravvento per un passaggio specifico, come la classificazione di un tumore o l'individuazione di un pattern. Gli autori riassumono diversi tipi di questi modelli ibridi. Alcuni agiscono come filtri avanzati che osservano piccole porzioni di un'immagine per trovare caratteristiche uniche. Altri funzionano come classificatori che tracciano linee tra diversi tipi di malattie, come distinguere tra una crescita benigna e una maligna. La revisione evidenzia che questi metodi sono stati testati su una varietà di compiti medici, tra cui l'identificazione di tumori cerebrali in immagini di risonanza magnetica, la rilevazione della polmonite nelle radiografie del torace e la classificazione delle lesioni cutanee. In uno studio specifico menzionato, un sistema compatto utilizzando quattro unità quantistiche ha classificato con successo miglia di scansioni cerebrali con un'elevata precisione per una semplice domanda sì-o-no, sebbene abbia incontrato maggiori difficoltà quando gli è stato chiesto di suddividere i tumori in molte categorie differenti.

Nonostante questi promettenti risultati iniziali, gli autori sono cauti nel sottolineare che questa tecnologia non è ancora pronta per l'ospedale. Quasi tutti gli studi discussi nella revisione sono stati condotti su un computer simulator o su una versione reale di un'immagine medica molto piccola e ridotta. L'hardware effettivo disponibile oggi è limitato dal rumore e dalla mancanza di correzione degli errori, il che significa che i risultati osservati nelle simulazioni spesso diminuiscono significativamente quando eseguiti su macchine reali. I ricercatori osservano che, sebbene il potenziale di velocità ed efficienza sia reale, i sistemi attuali sono troppo fragili e piccoli per gestire le immagini complete ad alta risoluzione utilizzate nella pratica clinica quotidiana. Il documento esclude esplicitamente l'idea che i computer quantistici sostituiranno gli attuali strumenti di intelligenza artificiale in tempi brevi; invece, essi sono presentati come strumenti sperimentali che potrebbero un giorno risolvere problemi specifici e difficili che i computer classici non possono affrontare. Gli autori concludono che, affinché questa tecnologia passi dal laboratorio alla clinica, sarà necessaria una stretta cooperazione tra radiologi, fisici e scienziati dell'informatica per garantire che i progressi futuri siano basati su reali necessità diagnostiche piuttosto che solo su possibilità teoriche.