Künstliche Intelligenz (KI) hat den Weg geebnet für bessere und schnellere Diagnosen im Bereich der medizinischen Bildgebung. Allerdings können die spezifischen Herausforderungen in der Medizin, insbesondere die Datenknappheit, die Leistungsfähigkeit der KI beeinträchtigen. Sind Quantentechnologien in der Lage, hier Abhilfe zu schaffen?
31. August 2023
© iStock/ georgeclerk
KI-Methoden, insbesondere Convolutional Neural Networks (CNNs), haben bei verschiedenen Bildgebungsaufgaben bemerkenswerte Ergebnisse erzielt. Im medizinischen Bereich hat die Knstliche Intelligenz (KI) große Aufmerksamkeit erregt, da sie eine Leistung auf dem Niveau des Menschen erreicht und neue Erkenntnisse liefert. CNNs werden häufig für die Analyse medizinischer Bilder eingesetzt. Sie arbeiten, indem sie mithilfe von Faltungsschichten charakteristische Merkmale in den Bildern extrahieren und diese dann durch vollständig verbundene Schichten kategorisieren.
Eine praktische Anwendung für den medizinischen Bereich liegt in der Analyse von Computertomographie (CT)-Scans. Diese Scans werden durch die Kombination von Röntgenbildern erstellt, die aus verschiedenen Winkeln aufgenommenen wurden, um dreidimensionale Darstellungen des untersuchten Bereichs zu erhalten. Sie werden in der Radiologie verwendet, um Krankheiten zu diagnostizieren und medizinische Behandlungen zu planen. Die Aussicht, die die KI bietet, ist es, medizinischen Fachleute bei der Diagnose zu unterstützen und dadurch schnellere und genauere Diagnose- und Behandlungsstrategien. zu ermöglichen.
Obwohl KI vielversprechend ist, hängt ihre Effektivität stark vom Zugang zu umfangreichen Trainingsdatensätzen ab. Angemessene Trainingsalgorithmen, die mit möglichst hoher Genauigkeit Vorhersagen treffen sollen, erfordern in der Realität eine ausreichend große Datenbibliothek, auf der das KI-Modell trainiert werden kann. Aufgaben der medizinischen Bildgebung stellen jedoch eine besondere Herausforderung dar, wenn es um die Beschaffung ausreichender Daten geht, da sie mit Kosten für Bildgebungsverfahren, Expertenkommentaren und Datenschutzerwägungen verbunden sind. Dieses Problem ist noch ausgeprägter bei seltenen Krankheiten, bei denen die Zahl der Patienten begrenzt ist. Vorhandene hochwertige Datensätze sind relativ klein und umfassen oft nur einige hundert bis tausend Proben. Um das Potenzial der KI in der medizinischen Bildgebung voll ausschöpfen zu können, ist es daher unerlässlich, sich mit der effizienten Nutzung solcher begrenzten Datensätze zu befassen und diese Herausforderungen zu bewältigen. Dazu müssen eine hohe Genauigkeit gewährleistet, vertrauenswürdige Algorithmen entwickelt und die Komplexität der medizinischen Bildgebung bewältigt werden.
Genau hier können Quantentechnologien helfen, denn es hat sich gezeigt, dass quantenverstärkte KI-Algorithmen auch dann gute Leistungen erbringen, wenn nur eine begrenzte Anzahl von Trainingsdaten zur Verfügung steht. Das Fraunhofer-Institut für Kognitive Systeme IKS erforscht QCNNs (Quantum-enhanced Convolutional Neural Networks) im Rahmen des Bayerischen Kompetenzzentrums für Quantensicherheit und Data Science (BayQS) gemeinsam mit der Klinik für Radiologie und der Klinik für Neurochirurgie der Ludwig-Maximilians-Universität München (LMU München) in einem vom Bayerischen Wirtschaftsministerium geförderten Projekt.
In unserem Beitrag »Quantum-classical convolutional neural networks in radiological image classification« [1], stellen wir ein hybrides Quantum-Classical CNN (QCCNN) vor, bei dem der klassische CNN-Algorithmus durch einen Quanten-Kernel erweitert wird. Die zugrunde liegende Motivation ist, dass der Quantenkern die Fähigkeit hat, komplexere Muster im Bild zu finden als sein klassisches Gegenstück. Der Rest des CNN bleibt klassisch, es liegt also eine echte Hybrid-Variante vor. Heutige Quantencomputer, die so genannten NISQ-Geräte (Noisy Intermediate Scale Quantum), enthalten eine begrenzte Anzahl von Qubits und sind anfällig für Fehler aufgrund von Umwelteinflüssen.
Angesichts dieser Einschränkungen sind hybride Modelle, die die Quantenfähigkeiten für bestimmte Teile der Algorithmen nutzen, am vielversprechendsten für das Design von Quantenalgorithmen. Das Fraunhofer IKS entwirft daher verschiedene QCCNNs, die sich durch das Kodierungsschema für die Kodierung klassischer Daten in Quantendaten unterscheiden, ebenso durch die Gestaltung der Quantenschaltungen. Diese Schaltungen bestehen aus Sequenzen von Quantengattern, welche die Verschränkungs- und Überlagerungsphänomene erzeugen, die der Quantenmechanik innewohnen. So wird der Algorithmus in die Lage versetzt, bestimmte Berechnungen viel effizienter durchzuführen.
Unser Team wendet diesen hybriden Algorithmus an zur Identifizierung von Tumoren in Ultraschallbildern der Brust und auf 2D- und 3D-CT-Scans, um Organe zu klassifizieren und krebsartige Läsionen in der Lunge zu finden. Wir vergleichen unseren Algorithmus mit einem vollständig klassischen Modell und stellen fest, dass die Leistung des hybriden Algorithmus ähnlich oder in einigen Fällen sogar besser ist als die des klassischen Modells. Wir kommen zu dem Schluss, dass solche Algorithmen vielversprechend sind, um die Herausforderungen im medizinischen Bereich zu lösen, wo eine gute Performance erforderlich ist, gleichzeitig aber nur eine geringe Menge an Daten zur Verfügung steht.
An diese Erkenntnisse knüpfen wir mit Pooling-Techniken in hybriden Quantum-Klassischen Convolutional Neuronalen Netzen [2] an, wo wir einen zusätzlichen Teil des klassischen CNN-Algorithmus auf den Quantencomputer übertragen: den Pooling-Mechanismus. In einem CNN folgt die Pooling-Operation typischerweise auf die Faltungsschicht, in der die Merkmale extrahiert werden. Sie ist von entscheidender Bedeutung, da sie die Eingabe auf eine kleinere Datengröße herunterskaliert und dadurch sicherstellt, dass die erlernten Bildmerkmale robust sind.
In unserer Arbeit vergleichen wir vier verschiedene Quantenstrategien für die Implementierung dieser Pooling-Operation in der Quantenwelt und entwerfen gleichzeitig hybride Algorithmen, die die Anzahl der beteiligten Qubits und die Länge der Schaltkreise minimieren. Der ausgewählte medizinische Anwendungsfall ist die Erkennung von Brusttumoren in Ultraschallbildern. Festzustellen ist, dass die meisten Quantenmodelle eine vergleichbare klassische Basislinie übertreffen und schlagen eine Quantenmetrik vor, um zu bestimmen, in welchen Fällen ein solcher Quantenvorteil zu beobachten ist. Die Ergebnisse, die durch Simulationen unter Verwendung von Bibliotheken für die Ausführung von Algorithmen des Maschinellen Lernens auf Quantenbasis erzielt wurden, zeigen ein erhebliches Potenzial für weitere Studien über hybride quantenklassische CNNs, die für die derzeit verfügbare NISQ-Hardware geeignet sein könnten.
Wir werden diese neueste Arbeit auf der IEEE Quantum Week 2023 im September vorstellen und würden uns freuen, während der Konferenz eine ausführlichere Diskussion darüber zu führen.
[1] Andrea Matic, Maureen Monnet, Jeanette Miriam Lorenz, Balthasar Schachtner, and Thomas Messerer. Quantum-classical convolutional neural networks in radiological image classification. 2022 IEEE International Conference on Quantum Computing and Engineering (QCE), pages 56–66, 2022.
[2] Maureen Monnet, Hanady Gebran, Andrea Matic-Flierl, Florian Kiwit, Balthasar Schachtner, Amine Bentellis, and Jeanette Miriam Lorenz. Pooling techniques in hybrid quantum-classical convolutional neural networks, 2023.
