Inteligência artificial com computação quântica pode apoiar diagnóstico precoce do câncer de mama
Redes neurais com convolução quântica, usadas em conjunto com redes clássicas, permitem reduzir significativamente o número de parâmetros do modelo, com bom desempenho em termos de acurácia

CineVI via Shutterstock

7 de outubro de 2025, 10:36

Fonte

José Tadeu Arantes, Agência FAPESP

Publicação Original

Agência FAPESP

Áreas

Computação, Engenharia Biomédica, Epidemiologia, Física Médica, Imagens Médicas, Medicina, Oncologia, Patologia, Processamento de Imagens, Simulação Computacional

Compartilhar

Resumo

Um trabalho desenvolvido por pesquisadores da UNESP em Bauru combinou estruturas clássicas e quânticas em um modelo de redes neurais para o apoio ao diagnóstico do câncer de mama através de imagens de mamografias e ultrassonografias.

Em vez de usar um processador quântico verdadeiro, os pesquisadores utilizaram uma plataforma clássica, como o framework PennyLane, que reproduz o comportamento ideal de um circuito quântico sem ruídos ambientais.

Mesmo utilizando um circuito com apenas quatro qubits, a rede híbrida obteve um desempenho de até 87,2% de acurácia no conjunto de teste e 86,1% no conjunto de validação.

Um estudo realizado por pesquisadores da Universidade Estadual Paulista (Unesp) propôs um modelo híbrido quântico-clássico para apoiar o diagnóstico de câncer de mama a partir de imagens médicas.

O trabalho – publicado nos anais do 38º International Symposium on Computer-Based Medical Systems (CBMS) – descreve uma rede neural híbrida que combina camadas quânticas com camadas clássicas, utilizando uma abordagem conhecida como quanvolutional neural network (QNN). O modelo foi aplicado a imagens de mamografias e ultrassonografias com o objetivo de classificar lesões como benignas ou malignas.

O trabalho faz parte do projeto de iniciação científica de Yasmin Rodrigues, que é a primeira autora do estudo, orientada pelo Dr. João Paulo Papa, professor do Departamento de Computação da Faculdade de Ciências da Unesp em Bauru e autor sênior do artigo.

A detecção precoce do câncer de mama é crucial para aumentar as chances de cura e sobrevida. No entanto, métodos tradicionais, como a mamografia, dependem fortemente da interpretação humana, o que pode levar a variações no diagnóstico.

O que distingue o trabalho da Unesp de outras iniciativas em inteligência artificial aplicada à saúde é a adoção de uma camada de convolução quântica associada a uma camada clássica. “Assim como a convolução clássica, o objetivo da convolução quântica é extrair características locais de dados estruturados, como imagens. Mas ela o faz aproveitando propriedades únicas dos sistemas quânticos, como superposição e emaranhamento, que possibilitam processar informações com muito mais eficiência e rapidez”, explicou o professor João Paulo Papa.

No estudo, a camada quântica, composta por quatro qubits (bits quânticos), substituiu a operação tradicional de extração de características das imagens.

“O que fizemos, basicamente, foi passar as imagens por esse circuito quântico de quatro qubits, com operações de rotação e portas lógicas. Isso nos possibilitou obter as medições necessárias. Depois, as imagens seguiram para camadas clássicas simples, que entregaram a classificação final”, detalhou Yasmin Rodrigues.

O estudo não utilizou um processador quântico verdadeiro, mas uma plataforma clássica, como o framework PennyLane, que reproduz o comportamento ideal de um circuito quântico sem ruídos ambientais.

Simuladores como os que utilizamos funcionam inteiramente em plataformas clássicas, não usam qubits reais, mas dão uma ideia de como os circuitos se comportariam no mundo quântico ideal. São livres de erros, livre de variações do ambiente que afetam bastante os computadores quânticos atuais. A rede clássica que melhor performou tinha 11 milhões de parâmetros. A nossa, com a camada quântica, tinha cerca de 5 mil. Isso muda tudo

Yasmin Rodrigues, estudante da Universidade Estadual Paulista (Unesp) em Bauru

No estudo, as informações codificadas nos qubits foram pixels das imagens de mamografia e ultrassonografia. Às vezes, um pixel apenas; às vezes, mais de um. O modelo foi testado com duas bases de dados: BreastMNIST (com imagens de ultrassonografia) e BCDR (com mamografias segmentadas).

Mesmo utilizando um circuito com apenas quatro qubits, a rede híbrida obteve desempenho competitivo. No melhor caso, alcançou 87,2% de acurácia no conjunto de teste e 86,1% no de validação. “A ideia foi criar uma arquitetura que poderá ser utilizada e aprofundada em outros estudos”, disse Yasmin.

Embora o estudo tenha focado o câncer de mama, os autores destacam que a arquitetura desenvolvida pode ser aplicada a outras áreas. Pode, por exemplo, ser usada para análise de lesões cerebrais ou classificação de tecidos em imagens de microscopia.

“Estamos dando o primeiro passo em direção a um novo paradigma de computação para diagnóstico médico. É um campo promissor e que tende a crescer muito nos próximos anos”, concluiu Yasmin Rodrigues.

Em suas publicações, o Portal SciAdvances tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal SciAdvances tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.

Autores/Pesquisadores Citados

Yasmin Rodrigues

Estudante de Sistemas de Informação na Universidade Estadual Paulista (Unesp) em Bauru

Dr. João Paulo Papa

Professor do Departamento de Computação da Faculdade de Ciências da Unesp em Bauru

Mais Informações

Acesse o resumo do trabalho publicado no 38º International Symposium on Computer-Based Medical Systems (CBMS).

Acesse a notícia original completa publicada na Agência FAPESP.

Comunique um Erro

Notícias relacionadas

E-books relacionados

Rolar para cima