مدل یادگیری ماشین کوانتومی، تصویربرداری جریان خون را برای تشخیص‌های دقیق‌تر بهبود می‌بخشد
مدل یادگیری ماشین کوانتومی، تصویربرداری جریان خون را برای تشخیص‌های دقیق‌تر بهبود می‌بخشد.
یک مطالعه مشترک از دانشگاه فناوری پکن، شرکت مدیریت پروژه‌های علمی و فناوری پکن و دانشگاه ناتینگهام، مدل هیبریدی کوانتومی-کلاسیکی را معرفی می‌کند که الگوریتم‌های کوانتومی متغیر را با شبکه‌های عصبی کانولوشنی سه‌بعدی (3D CNN) ترکیب کرده تا دقت و پایداری تصویربرداری لیزری کنترست اسپکل (LSCI) برای تصویربرداری جریان خون را بهبود بخشد.
با جایگزینی لایه‌های پولینگ سنتی با مدارهای کوانتومی متغیر، این مدل داده‌های مکانی و زمانی را حفظ می‌کند که منجر به کاهش از دست رفتن اطلاعات و بهبود عملکرد پیش‌بینی می‌شود.
آزمایش‌های اولیه با استفاده از مدل‌های بافت مصنوعی نشان داد که مدل هیبریدی کوانتومی-کلاسیکی تا ۲۶.۱٪ در دقت پیش‌بینی بهتر از روش‌های کلاسیکی عمل می‌کند.
اگرچه آزمایش‌های بیشتر روی نمونه‌های زنده لازم است، این مدل می‌تواند به سایر روش‌های تصویربرداری مانند MRI و CT نیز گسترش یابد و احتمالاً استاندارد جدیدی برای تشخیص دقیق ایجاد کند.
تصویربرداری دقیق جریان خون برای تشخیص و مدیریت طیف گسترده‌ای از مشکلات سلامتی، از جمله مشکلات گردش خون مغزی تا عوارض عروقی در دیابت، بسیار حیاتی است. با این حال، دستیابی به دقت بالا در این اندازه‌گیری‌ها کار ساده‌ای نیست.
مطالعه‌ای اخیر که در مجله Scientific Reports منتشر شده است، چارچوب هیبریدی کوانتومی-کلاسیکی برای تصویربرداری لیزری کنترست اسپکل (LSCI) را پیشنهاد می‌دهد؛ روشی نوری که به طور گسترده برای ارزیابی دینامیک جریان خون استفاده می‌شود.
بر اساس این مطالعه که همکاری بین دانشگاه فناوری پکن، شرکت مدیریت پروژه‌های علمی و فناوری پکن و دانشگاه ناتینگهام است، این چارچوب الگوریتم‌های کوانتومی متغیر را با شبکه‌های عصبی کانولوشنی سه‌بعدی ترکیب کرده و بهبودهایی در دقت پیش‌بینی و پایداری مدل برای وظایف تصویربرداری جریان خون ارائه می‌دهد.
محدودیت‌های تصویربرداری سنتی لیزری کنترست اسپکل
فناوری LSCI که به‌خاطر توانایی‌اش در تصویرسازی جریان خون بدون نیاز به عوامل کنتراست شناخته شده است، مدت‌هاست در زمینه‌های پزشکی مختلف از جمله ارزیابی‌های مغزی و شبکیه تا بررسی‌های مربوط به آسیب‌ها و سوختگی‌ها مورد استفاده قرار می‌گیرد. با این حال، اگرچه LSCI سنتی اطلاعات ارزشمندی ارائه می‌دهد، اما عمدتاً ماهیت کیفی دارد، چرا که به دلیل محدودیت‌های ذاتی، در اندازه‌گیری دقیق جریان خون دچار مشکل است. همانطور که در این مطالعه اشاره شده، LSCI اغلب بر مدل‌های تقریبی متکی است که در ثبت دقیق داده‌های کمی ناکافی هستند، به ویژه در مواجهه با پیچیدگی‌هایی مانند پراکندگی‌های ساکن — ذرات غیر متحرکی که می‌توانند با پراکندگی غیرقابل پیش‌بینی نور، وضوح تصویر را کاهش دهند — و اندازه‌های متغیر اسپکل.
برای حل این چالش‌ها، مدل‌های یادگیری ماشین، به ویژه شبکه‌های عصبی پیچشی سه‌بعدی کلاسیک (3D CNNs)، در LSCI به کار گرفته شده‌اند تا داده‌های فضایی-زمانی را پردازش کنند. اگرچه این مدل‌ها در افزایش دقت موثر بوده‌اند، اما اغلب از تکنیک‌های کاهش نمونه‌برداری (downsampling) استفاده می‌کنند که به گفته مطالعه، می‌تواند منجر به از دست رفتن قابل توجهی از اطلاعات شود. کاهش نمونه‌برداری برای کم کردن وضوح یا حجم داده‌ها به‌منظور سهولت پردازش انجام می‌شود، اما معمولاً باعث از دست رفتن جزئیات می‌شود. این محدودیت، توانایی مدل در درک کامل الگوهای پیچیده فضایی و زمانی در داده‌های LSCI را کاهش داده و در نهایت عملکرد پیش‌بینی را تضعیف می‌کند.
الگوریتم‌های کوانتومی به‌عنوان راه‌حلی برای مشکل از دست رفتن اطلاعات
در این مطالعه، پژوهشگران یک مدل ترکیبی کوانتومی-کلاسیک معرفی کردند که مشکل از دست رفتن اطلاعات در شبکه‌های عصبی کانولوشنی سه‌بعدی (3D CNN) معمولی را برطرف می‌کند. به جای استفاده از لایه‌ی استاندارد 3D Global Pooling که ویژگی‌ها را به مقادیر تک کاناله فشرده می‌کند، این مدل ترکیبی از مدار کوانتومی متغیر (Variational Quantum Circuit) استفاده می‌کند. این مدار کوانتومی قادر است روابط مکانی و زمانی داده‌ها را حفظ کند تا توانایی مدل در پیش‌بینی دقیق افزایش یابد.
مطالعه اشاره می‌کند که الگوریتم‌های کوانتومی متغیر (VQAs) به مدل امکان می‌دهند تا یک مدار کوانتومی پارامتردهی شده را با استفاده از محاسبات کلاسیک بهینه کند، که این ویژگی آن‌ها را برای محیط‌های NISQ (نسل فعلی رایانه‌های کوانتومی با نویز متوسط) بسیار مناسب می‌کند. این چارچوب از مشکلات بیش‌برازش (Overfitting) که در مدل‌های کلاسیک دیده می‌شود، جلوگیری می‌کند، به‌دلیل کدگذاری کارآمد داده‌ها و توانایی بیان بالا در مدارهای کوانتومی متغیر. برخلاف روش‌های سنتی Pooling، مدارهای کوانتومی اجازه می‌دهند مدل از کل نقشه ویژگی‌ها استفاده کند و اطلاعات مکانی-زمانی که معمولاً از دست می‌رود را حفظ کند.
برای آزمایش این مدل ترکیبی، پژوهشگران روی مجموعه داده‌ای از داده‌های اسپکل (Speckle) مربوط به یک نمونه بافت مصنوعی خاص که خواص نوری بافت انسانی را شبیه‌سازی می‌کند و جریان خون با سرعت‌های کنترل‌شده را تقلید می‌کند، آزمایش‌هایی انجام دادند. با استفاده از اعتبارسنجی متقاطع، مدل ترکیبی تا ۱۴.۸٪ بهبود در خطای مربعات متوسط و ۲۶.۱٪ بهبود در خطای درصد متوسط مطلق نسبت به شبکه‌های عصبی کلاسیک سه‌بعدی نشان داد.
طبق این مطالعه، عملکرد بهتر این مدل به دلیل توانایی مدل کوانتومی در درک الگوهای پیچیده در داده‌های LSCI است که منجر به منحنی‌های یادگیری پایدارتر و دقت پیش‌بینی بالاتر می‌شود. جالب این‌که مدل‌های کوانتومی در تعمیم به داده‌های جدید و دیده‌نشده نیز عملکرد بهتری داشتند، که این ویژگی در کاربردهای پزشکی که نیاز به قابلیت اطمینان بالا روی داده‌های متنوع بیماران دارد، بسیار مهم است.
چالش‌های باقی‌مانده و مسیرهای آینده
اگرچه این مطالعه بهبودهایی در دقت پیش‌بینی تصویربرداری جریان خون نشان داده است، محدودیت‌هایی همچنان باقی مانده است. همانطور که پژوهشگران اشاره کرده‌اند، اعتبارسنجی مدل در حال حاضر فقط بر اساس آزمایش‌های انجام شده با استفاده از نمونه‌های بافت مصنوعی (تیشو فانتوم) است که شبیه‌سازی بافت انسان است اما پیچیدگی کامل سیستم‌های زیستی زنده را بازتاب نمی‌دهد. تحقیقات آینده نیازمند توسعه این اعتبارسنجی‌ها از طریق آزمایش‌های in vivo برای تأیید کاربرد بالینی مدل خواهد بود.
علاوه بر این، به دلیل محدودیت‌های محاسباتی، پژوهشگران تنها قادر بودند تعداد محدودی از فریم‌های تصویری را برای آموزش استفاده کنند که ممکن است بر توانایی مدل در درک کامل دینامیک جریان خون تأثیر بگذارد. افزایش تعداد فریم‌ها و بررسی سخت‌افزارهای کوانتومی مقاوم‌تر از جمله عوامل دیگری هستند که ممکن است با پیشرفت قابلیت‌های پردازش کوانتومی، عملکرد مدل را بهبود بخشند.
با این حال، نتایج این مطالعه سهم مهمی در پیشرفت سازگاری یادگیری ماشین کوانتومی با تصویربرداری پزشکی دارد. با ارزیابی‌های دقیق‌تر جریان خون، این چارچوب هیبریدی کوانتومی-کلاسیک پتانسیل پیشرفت در حوزه‌های مختلف تشخیصی، از جمله پای دیابتی و جریان خون مغزی، را داراست. همانطور که پژوهشگران اشاره کرده‌اند، توانایی مدل در حفظ کامل نقشه‌های ویژگی داده‌های LSCI به این معنا است که می‌توان آن را برای سایر روش‌های تصویربرداری پزشکی که مبتنی بر داده‌های حجمی مانند MRI و سی‌تی اسکن هستند نیز تطبیق داد.
در مسیر دقت بالینی: نقش کوانتوم در تشخیص‌های پزشکی
تحقیقات آینده بر اعتبارسنجی این چارچوب در شرایط زنده (in vivo) متمرکز خواهد بود و فراتر از آزمایش‌های تجربی پیش خواهد رفت. اگرچه سخت‌افزارهای فعلی محاسبات کوانتومی محدودیت‌هایی دارند، پیشرفت‌های مداوم در پردازش کوانتومی می‌تواند این مدل‌ها را دقیق‌تر و در دسترس‌تر برای استفاده بالینی کند.
توانایی مدل هیبرید کوانتومی-کلاسیک در حفظ اطلاعات مهم مکانی و زمانی، آن را به ابزاری ارزشمند نه تنها برای LSCI بلکه برای سایر کاربردهایی که نیازمند دقت پیش‌بینی و قابلیت تعمیم در داده‌های متنوع هستند، تبدیل می‌کند. با پیشرفت فناوری کوانتومی، مدل‌هایی مانند این می‌توانند پایه‌ای برای تشخیص‌های دقیق و غیرتهاجمی باشند.
نویسندگان این مطالعه شامل YiXiong Chen، WeiLu Han، GuangYu Bin، ShuiCai Wu، Stephen Peter Morgan و Shen Sun می‌باشند.
دیدگاهتان را بنویسید