Модель машинного обучения на квантовом компьютере D-Wave определила наличие рака легких в тестовых данных с точностью более 90%. Эксперимент провела команда под руководством исследователей Атлантического университета Флориды (FAU).
Ученые проверяли, насколько эффективно квантовые алгоритмы обучаются на небольших выборках.
«Наша цель — изучить, как разные подходы квантового обучения работают при намеренно ограниченном объеме исходных данных», — пояснил руководитель команды, профессор FAU Арслан Мунир.
Основой послужил открытый набор из 309 записей со сведениями о курении, кашле, хрипах, усталости и боли в груди, а также отметкой о наличии заболевания.
Чтобы уравнять число примеров с раком и без него, исследователи добавили синтетические записи. Итоговая выборка содержала 540 примеров. В каждом раунде проверки модели обучались на 108 из них и тестировались на оставшихся 432.
Команда сравнила три алгоритма квантового машинного обучения. Лучший результат показал вариант метода опорных векторов на платформе D-Wave, использующий квантовый отжиг.
В симуляции его точность достигла 94,31%, а на реальном оборудовании снизилась до 91,9%. Авторы связали разницу с шумом и ограничениями квантового процессора.
При этом в сравнении с классическими алгоритмами модель на реальном устройстве показала самую низкую точность. Лучший показатель среди всех протестированных вариантов получила именно симуляция.
Авторы подчеркнули предварительный характер результатов: набор не содержал медицинских изображений, лабораторных анализов и информации о стадии рака. Клиническую проверку в нескольких медицинских центрах также не проводили.
Следующим этапом станет тестирование на независимых клинических данных. Команда планирует расширить выборку, объединить сведения о симптомах с визуальным анализом и сделать выводы модели понятнее для специалистов.
Напомним, в июне компания D-Wave Quantum раскрыла дорожную карту поэтапной разработки квантовых систем. К 2032 году планируется создать отказоустойчивый квантовый компьютер на 100 логических кубитах.
Подписывайтесь на ForkLog в социальных сетях
