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

Knieartrose is een wijdverbreide aandoening waarbij het kraakbeen in het kniegewricht geleidelijk slijt, wat leidt tot pijn, stijfheid en verminderde mobiliteit. Om de ernst van de schade te bepalen, kijken artsen naar röntgenfoto's en wijzen ze een graad toe van nul tot vier, een systeem dat bekend staat als de Kellgren–Lawrence-schaal. Een graad van nul betekent dat de knie gezond is, terwijl een graad van vier duidt op gevorderde ziekte met aanzienlijk bot-op-bot contact. Het nauwkeurig maken van deze beoordeling is moeilijk omdat de veranderingen in de vroege stadia vaak subtiel zijn, en verschillende artsen kunnen het soms oneens zijn over de score. In de afgelopen jaren hebben wetenschappers geprobeerd om kunstmatige intelligentie te gebruiken om dit gradatieproces te automatiseren. Deze computerprogramma's, vaak gebaseerd op complexe netwerken die het menselijk brein nabootsen, kunnen duizenden afbeeldingen analyseren om patronen te ontdekken die onzichtbaar zijn voor het blote oog. De krachtigste versies van deze programma's zijn echter enorm, waarbij grote hoeveelheden computergeheugen en energie nodig zijn om ze te draaien. Dit maakt ze onpraktisch voor gebruik in klinieken of op draagbare apparaten waar de middelen beperkt zijn, wat een kloof creëert tussen wat theoretisch mogelijk is en wat daadwerkelijk kan worden ingezet om patiënten te helpen.

Onderzoekers aan de Pondicherry University in India hebben een nieuwe aanpak ontwikkeld om deze kloof te overbruggen, door een systeem te creëren dat licht genoeg is voor edge-apparaten terwijl de nauwkeurigheid hoog blijft. Ze noemen hun systeem QTRadX-KOA. In plaats van te vertrouwen op één enkel, massief computermodel, bouwden ze een hybride framework dat het beste van twee werelden combineert: een traditioneel, zeer efficiënt klassiek computernetwerk en een kleine, experimentele quantumprocessor. Het doel was om te zien of ze de grootte van het model met bijna negentig procent konden verkleinen zonder het vermogen te verliezen om de ernst van knieartrose correct te diagnosticeren. Het team begon door het systeem knieröntgenfoto's te voeren die waren aangepast in grootte en opgeschoond. Het eerste deel van het systeem, dat fungeerde als een feature extractor, gebruikte een vooraf getraind netwerk dat al patronen in medische afbeeldingen had leren herkennen. Hierdoor kon het systeem snel belangrijke details zoals botuitsteeksels en vernauwingen van de gewrichtsruimte identificeren zonder alles vanaf nul te hoeven leren.

Zodra het systeem deze kenmerken had geëxtraheerd, gaf het deze door aan een tweede stadium dat ontworpen is om het grote plaatje te begrijpen. Hier introduceerden de onderzoekers hun innovatieve oplossing voor het probleem van omvang. In plaats van alle informatie door een enkele, zware processor te dwingen, splitsten ze de data in twee parallelle paden. Het ene pad gebruikte een standaard, lichtgewicht computerprogramma om een stabiele basislijn voor de diagnose te bieden. Het andere pad stuurde een gecomprimeerde versie van de data naar een kleine quantumcircuit. Dit quantumcircuit, gesimuleerd op een klassieke computer voor deze studie, fungeerde als een gespecialiseerd instrument om de diagnose te verfijnen door subtiele, niet-lineaire relaties in de data te vinden die het standaardprogramma mogelijk zou missen. Cruciaal was dat de resultaten van beide paden aan het einde werden gecombineerd. De onderzoekers ontdekten dat dit parallelle ontwerp voorkwam dat het systeem belangrijke informatie verloor, een veelvoorkomend probleem bij het proberen in te persen van complexe data in kleine quantumregisters. Het quantumgedeelte hoefde niet al het zware werk te doen; het voegde simpelweg een laag van verfijning toe aan het werk dat al door het klassieke deel was gedaan.

De resultaten van dit experiment waren veelbelovend. Bij testen op een grote dataset van knieradiografieën behaalde het nieuwe hybride systeem een nauwkeurigheid van bijna zestig procent en een statistische overeenstemming met menselijke experts van meer dan tweeënzeventig procent. Deze cijfers waren vergelijkbaar met veel grotere, standaardmodellen die gewoonlijk voor deze taak worden gebruikt, terwijl het nieuwe systeem slechts ongeveer acht miljoen parameters gebruikte, een getal dat een reductie van ongeveer negentig procent vertegenwoordigt ten opzichte van de standaardmodellen die vaak meer dan vijfentachtig miljoen vereisen. Deze drastische afname in omvang betekent dat het systeem aanzienlijk minder geheugen vereist en in de toekomst mogelijk op kleinere, draagbare apparaten kan draaien. De onderzoekers merkten ook op dat het systeem bijzonder goed was in het identificeren van ernstige gevallen van artrose, wat cruciaal is voor het beslissen welke patiënten urgente chirurgische interventie nodig hebben. Het systeem had echter iets meer moeite met de "twijfelachtige" categorie, waarbij de veranderingen op de röntgenfoto zeer vaag zijn, wat de moeilijkheid weerspiegelt die zelfs menselijke experts ervaren bij deze grensgevallen.

Het is belangrijk op te merken dat het quantumcomponent van dit systeem in een gesimuleerde omgeving werd getest, en niet op werkelijke quantumhardware. De onderzoekers erkennen dat echte quantumcomputers momenteel ruisgevoelig zijn en beperkt zijn in hun capaciteiten. Hoewel de simulatie aantoonde dat de quantumbenadering theoretisch een enorme efficiëntiewinst kan bieden, moet de werkelijke prestaties op fysieke apparaten nog worden afgewacht. De studie suggereert dat deze hybride architectuur een levensvatbaar pad vooruit is voor medische beeldvorming, waarmee wordt bewezen dat men geen gigantisch, energieverslindend model nodig heeft om goede resultaten te behalen. Door de klassieke en quantumdelen zorgvuldig in evenwicht te houden, hebben de onderzoekers aangetoond dat het mogelijk is om een diagnostisch hulpmiddel te creëren dat zowel krachtig als compact is. Dit werk biedt een praktisch blauwdruk voor de toekomst van medische AI, waarbij wordt getoond hoe opkomende quantumtechnologieën uiteindelijk geïntegreerd kunnen worden in alledaagse klinische instrumenten om geavanceerde diagnostiek toegankelijk te maken voor meer mensen, ongeacht hun locatie of de apparatuur die zij tot hun beschikking hebben.