Residual Hybrid Quantum Vision Transformers for Edge-Compatible Knee Osteoarthritis Grading

L'artrosi del ginocchio è una condizione diffusa che consuma gradualmente la cartilagine nell'articolazione del ginocchio, portando a dolore, rigidità e riduzione della mobilità. Per determinare l'entità del danno, i medici esaminano le immagini radiografiche e assegnano un grado da zero a quattro, un sistema noto come scala di Kellgren–Lawrence. Un grado zero indica che il ginocchio è sano, mentre un grado quattro indica una malattia avanzata con un significativo contatto osso-osso. Effettuare questa valutazione con precisione è difficile perché i cambiamenti nelle fasi iniziali sono spesso sottili e diversi medici possono talvolta dissentire sul punteggio. Negli ultimi anni, gli scienziati hanno cercato di utilizzare l'intelligenza artificiale per automatizzare questo processo di classificazione. Questi programmi informatici, spesso basati su reti complesse che imitano il cervello umano, possono analizzare miglia di immagini per individuare schemi invisibili a occhio nudo. Tuttavia, le versioni più potenti di questi programmi sono massicce, richiedono enormi quantità di memoria informatica ed energia per funzionare. Ciò le rende impraticabili per l'uso nelle cliniche o su dispositivi portatili dove le risorse sono limitate, creando un divario tra ciò che è teoricamente possibile e ciò che può effettivamente essere implementato per aiutare i pazienti.

Ricercatori dell'Università di Pondicherry, in India, hanno sviluppato un nuovo approccio per colmare questo divario, creando un sistema progettato per essere abbastanza leggero da poter essere utilizzato su dispositivi edge pur mantenendo un'elevata precisione. Chiamano il loro sistema QTRadX-KOA. Invece di fare affidamento su un singolo e massiccio modello informatico, hanno costruito un framework ibrido che combina il meglio di due mondi: una rete informatica classica tradizionale, altamente efficiente, e un piccolo processore quantistico sperimentale. L'obiettivo era vedere se fossero in grado di ridurre le dimensioni del modello di quasi il novanta per cento senza perdere la sua capacità di diagnosticare correttamente la gravità dell'artrosi del ginocchio. Il team ha iniziato alimentando il sistema con radiografie del ginocchio che erano state ridimensionate e pulite. La prima parte del sistema, agendo come estrattore di caratteristiche, utilizzava una rete pre-addestrata che aveva già imparato a riconoscere schemi nelle immagini mediche. Ciò ha permesso al sistema di identificare rapidamente dettagli importanti come osteofiti e restringimenti degli spazi articolari senza dover imparare tutto da zero.

Una volta estratte queste caratteristiche, il sistema le ha passate a una seconda fase progettata per comprendere il quadro generale. Qui, i ricercatori hanno introdotto la loro nuova soluzione al problema delle dimensioni. Invece di forzare tutte le informazioni attraverso un singolo processore pesante, hanno suddiviso i dati in due percorsi paralleli. Un percorso ha utilizzato un programma informatico standard e leggero per fornire una base stabile per la diagnosi. L'altro percorso ha inviato una versione compressa dei dati in un minuscolo circuito quantistico. Questo circuito quantistico, simulato su un computer classico per questo studio, ha agito come uno strumento specializzato per affinare la diagnosi, trovando relazioni non lineari sottili nei dati che il programma standard potrebbe perdere. Fondamentalmente, i risultati di entrambi i percorsi sono stati combinati alla fine. I ricercatori hanno scoperto che questo design parallelo ha impedito al sistema di perdere informazioni importanti, un problema comune quando si cerca di comprimere dati complessi in piccoli registri quantistici. La parte quantistica non ha dovuto compiere tutto il lavoro pesante; ha semplicemente aggiunto uno strato di perfezionamento al lavoro già svolto dalla parte classica.

I risultati di questo esperimento sono stati promettenti. Quando testato su un ampio dataset di radiografie del ginocchio, il nuovo sistema ibrido ha raggiunto un'accuratezza di quasi il sessanta per cento e un punteggio di accordo statistico con gli esperti umani superiore al settantadue per cento. Questi numeri sono paragonabili a modelli standard molto più grandi che vengono tipicamente utilizzati per questo compito, eppure il nuovo sistema utilizza solo circa otto milioni di parametri, una cifra che rappresenta una riduzione di circa il novanta per cento rispetto ai modelli standard che spesso richiedono oltre ottantacinque milioni. Questa drastica riduzione delle dimensioni significa che il sistema richiede molta meno memoria e potrebbe potenzialmente girare su dispositivi più piccoli e portatili in futuro. I ricercatori hanno anche notato che il sistema era particolarmente bravo nell'identificare i casi gravi di artrosi, il che è fondamentale per decidere quali pazienti necessitano di un intervento chirurgico urgente. Tuttavia, il sistema ha faticato leggermente di più con la categoria "dubbia", dove i cambiamenti radiografici sono molto tenui, rispecchiando la difficoltà che affrontano anche gli esperti umani con questi casi limite.

È importante notare che la componente quantistica di questo sistema è stata testata in un ambiente simulato, non su un vero hardware quantistico. I ricercatori riconoscono che i computer quantistici reali sono attualmente rumorosi e limitati nelle loro capacità. Sebbene la simulazione abbia dimostrato che l'approccio quantistico possa teoricamente offrire un enorme guadagno di efficienza, le prestazioni reali sui dispositivi fisici devono ancora essere viste. Lo studio suggerisce che questa architettura ibrida è una via percorribile per l'imaging medico, dimostrando che non è necessario un modello gigante e vorace di energia per ottenere buoni risultati. Bilanciando attentamente le parti classiche e quantistiche, il team ha dimostrato che è possibile creare uno strumento diagnostico che sia allo stesso tempo potente e compatto. Questo lavoro offre un modello pratico per il futuro dell'IA medica, mostrando come le tecnologie quantistiche emergenti possano eventualmente essere integrate negli strumenti diagnostici quotidiani per rendere la diagnostica avanzata accessibile a più persone, indipendentemente dalla loro posizione o dall'attrezzatura a disposizione.