سرطان ریه همچنان در مراحل اولیه تشخیص دشوار است و نرخ مرگ و میر بالایی دارد، بنابراین نیاز به روش‌های مؤثرتر و قابل گسترش‌تر فراتر از روش‌های سنتی مانند سی‌تی اسکن و بیوپسی وجود دارد. مدل Pegasos QSVC به دلیل توانایی در مدیریت داده‌های با ابعاد بالا و مقاومت در برابر بیش‌برازش با استفاده از پارامتر تنظیم، با دقت ۸۵٪ بهتر از VQC عمل کرد. هرچند یادگیری ماشین کوانتومی نویدبخش است، اما چالش‌هایی مانند مقیاس‌پذیری مدل‌ها و محدودیت‌های فعلی سخت‌افزار کوانتومی وجود دارد که باید برطرف شوند. پژوهش‌های آینده بر گسترش داده‌ها و بهبود مدل‌ها برای کاربردهای وسیع‌تر در حوزه سلامت تمرکز خواهند داشت.

سرطان ریه پیش‌تر توسط سازمان جهانی بهداشت به عنوان یکی از شایع‌ترین سرطان‌های تشخیص داده شده در جهان معرفی شده است، همان‌طور که در مطالعه‌ای اخیر ذکر شده است. این مطالعه که در کنفرانس نوآوری فناوری آسیا-اقیانوسیه ۲۰۲۴ ارائه شده، بررسی می‌کند که چگونه یادگیری ماشین کوانتومی (QML) می‌تواند در تشخیص سرطان ریه کمک کند. با ترکیب دو مدل QML یعنی Pegasos QSVC و طبقه‌بند کوانتومی واریاسیونی، نویسندگان به دنبال بهبود دقت پیش‌بینی و کارایی برای این بیماری با نرخ مرگ‌ومیر بالا هستند.

نیاز به نوآوری در تشخیص سرطان ریه

مطالعه نشان می‌دهد که سرطان ریه به دلیل تشخیص در مراحل پیشرفته و نرخ بالای مرگ‌ومیر، همچنان یکی از دشوارترین سرطان‌ها برای شناسایی و درمان است. روش‌های تشخیصی سنتی مانند سی‌تی‌اسکن و بیوپسی هرچند قابل اعتماد هستند، اما اغلب هزینه‌بر و زمان‌بر بوده و در تشخیص زودهنگام محدودیت دارند. علاوه بر این، عوامل خطر سرطان ریه مانند سیگار کشیدن و قرار گرفتن در معرض آلودگی‌ها، نیاز فوری به روش‌های تشخیص مؤثرتر و قابل توسعه‌تر را ایجاد می‌کند.

در مطالعه خود، پژوهشگران چارچوبی را پیشنهاد می‌کنند که در آن یادگیری ماشین کوانتومی می‌تواند روش کارآمدتر و دقیق‌تری برای شناسایی ریسک‌های سرطان ریه ارائه دهد. بر خلاف مدل‌های سنتی یادگیری ماشین، مدل‌های کوانتومی ممکن است توانایی حل مسائل پیچیده را با کارایی محاسباتی بالاتری داشته باشند.

مدل‌های کوانتومی در عمل

این مطالعه بر دو الگوریتم یادگیری ماشین کوانتومی تمرکز دارد: Pegasos QSVC و VQC، که روی یک مجموعه داده سرطان ریه از سایت Kaggle اعمال شده‌اند. این مجموعه داده شامل ۲۶ ویژگی مرتبط با سلامت بیش از ۱۰۰۰ بیمار است که به سه دسته ریسک کم، متوسط و بالا برای سرطان ریه برچسب‌گذاری شده‌اند.

برای ساده‌تر کردن فرایند دسته‌بندی، پژوهشگران برچسب‌های چندکلاسه را به یک مسئله دودویی تبدیل کردند و موارد «ریسک بالا» را از «غیر ریسک بالا» تفکیک کردند. الگوریتم Pegasos QSVC که مبتنی بر چارچوب ماشین بردار پشتیبان است، با استفاده از بهینه‌سازی کوانتومی برای دسته‌بندی ریسک سرطان ریه به کار گرفته شد.

این الگوریتم در دقت عملکرد بهتر از VQC عمل کرد و به دقت ۸۵ درصد در طبقه‌بندی رسید. تیم تحقیق موفقیت مدل را به توانایی آن در مدیریت داده‌های با ابعاد بالا و مقاومت در برابر بیش‌برازش به کمک پارامتر تنظیم‌کننده (regularization) نسبت می‌دهد. همانطور که در مطالعه ذکر شده، این موضوع نشان‌دهنده پتانسیل بالای یادگیری ماشین کوانتومی در حوزه سلامت، به ویژه در تشخیص زودهنگام سرطان است که دقت در آن اهمیت زیادی دارد.

هر دو مدل با معیارهایی مانند دقت (accuracy)، یادآوری (recall)، دقت مثبت (precision) و نمره F1 ارزیابی شدند. در حالی که VQC توانایی‌هایی نشان داد، Pegasos QSVC پیچیدگی داده‌ها را بهتر مدیریت کرد و از بهینه‌سازی نزول گرادیان تصادفی و امکان تنظیم پارامترهای متنوع بهره برد. تنظیم دقیق‌تر پارامتر تنظیم‌کننده باعث بهبود دقت و مقاومت QSVC در برابر نویز شد، در حالی که وابستگی VQC به مدارهای کوانتومی مقیاس‌پذیری و عملکرد آن را محدود کرد.

چالش‌ها و ملاحظات آینده

اگرچه نگرانی‌هایی در حوزه فناوری کوانتومی وجود دارد که هزینه‌های استفاده از این فناوری ممکن است در برخی کاربردها بیشتر از مزایای آن باشد، اما ادغام محاسبات کوانتومی در حوزه سلامت، به‌ویژه در تشخیص‌های پیش‌بینی‌کننده، می‌تواند با بهبود سرعت و دقت در تشخیص بیماری‌های با مرگ‌ومیر بالا، مزیت قابل توجهی ارائه دهد. با این حال، هرچند مدل Pegasos QSVC موفقیت قابل توجهی کسب کرده است، محدودیت‌هایی نیز وجود دارد که باید برطرف شوند. پژوهشگران اشاره کرده‌اند که مقیاس‌پذیری این مدل‌ها هنوز یک چالش است، زیرا داده‌های بزرگ‌تر ممکن است به دلیل محدودیت‌های سخت‌افزاری محاسبات کوانتومی کنونی مشکلاتی ایجاد کند. با پیشرفت فناوری کوانتومی، به‌ویژه در زمینه تصحیح خطاهای کوانتومی و پایداری کیوبیت‌ها، این مدل‌ها ممکن است بتوانند برای کاربردهای گسترده‌تر در حوزه سلامت مقیاس‌بندی شوند.

گسترش نقش یادگیری ماشین کوانتومی در حوزه سلامت

گام‌های بعدی این تحقیق شامل افزایش حجم داده‌ها و بهبود مدل‌های کوانتومی برای ارتقای قابلیت تعمیم‌پذیری آن‌ها است. با انجام این کار، ممکن است یادگیری ماشین کوانتومی روزی به یکی از پایه‌های سیستم‌های هوشمند سلامت تبدیل شود و پیش‌بینی‌های دقیق و بلادرنگی ارائه دهد که جان انسان‌ها را نجات دهد.

نویسندگان این مطالعه شامل مانوشی مونشی، راجش گوپتا، نیلش کومار جاداو، سدیپ تانور، آنوجا نایر و دیپاک گارگ هستند.