Combinación de computación cuántica y clásica respalda el diagnóstico precoz del cáncer de mama

Redes neuronales cuántico-clásicas simples logran buenos resultados en la clasificación de lesiones con menos parámetros computacionales; el modelo híbrido fue demostrado por científicos de la Universidad Estadual Paulista en un simposio internacional

Por José Tadeu Arantes  |  Agência FAPESP – La computación cuántica aún se encuentra en una fase inicial de desarrollo, pero sus usos potenciales han sido ampliamente explorados por los investigadores. Un estudio reciente, realizado en la Universidad Estadual Paulista (Unesp), en Brasil, propuso un modelo híbrido cuántico-clásico para apoyar el diagnóstico de cáncer de mama a partir de imágenes médicas.

El trabajo fue publicado en las actas del 38º International Symposium on Computer-Based Medical Systems (CBMS) del Institute of Electrical and Electronics Engineers (IEEE). En él, los autores describen una red neuronal híbrida que combina capas cuánticas con capas clásicas, utilizando un enfoque conocido como “quanvolutional neural network” (QNN). El modelo se aplicó a imágenes de mamografías y ultrasonidos para clasificar lesiones como benignas o malignas.

“Lo que quisimos aportar en este trabajo fue una arquitectura muy básica, que utilizara computación cuántica, pero con el mínimo de elementos cuánticos y clásicos”, explica Yasmin Rodrigues, primera autora del estudio. El trabajo forma parte de su proyecto de iniciación científica, orientado por João Paulo Papa, profesor titular del Departamento de Computación de la Unesp, campus de Bauru, quien también firma el artículo.

El cáncer de mama fue elegido como objetivo de prueba del modelo computacional porque es el tipo más común entre las mujeres en el mundo, con 2.3 millones de casos y 670 mil muertes registradas en 2022. La detección temprana es crucial para aumentar las probabilidades de cura y supervivencia. Sin embargo, métodos tradicionales como la mamografía dependen en gran medida de la interpretación humana, lo que puede generar variaciones en el diagnóstico. “Aunque teóricamente es un examen sencillo de seguir, la mamografía sigue siendo un procedimiento cuya interpretación depende mucho del profesional que lo realiza”, señala Papa.

Lo que distingue el trabajo de la Unesp de otras iniciativas de inteligencia artificial aplicada a la salud es la incorporación de una capa de convolución cuántica asociada a una capa clásica. “Al igual que la convolución clásica, el objetivo de la convolución cuántica es extraer características locales de datos estructurados, como imágenes. Pero lo hace aprovechando propiedades únicas de los sistemas cuánticos, como la superposición y el entrelazamiento, que permiten procesar información con mucha más eficiencia y rapidez”, explica Papa. En el estudio, la capa cuántica, compuesta por cuatro qubits (bits cuánticos), sustituye la operación tradicional de extracción de características de las imágenes.

“Lo que hicimos, básicamente, fue pasar las imágenes por ese circuito cuántico de cuatro qubits, con operaciones de rotación y puertas lógicas. Esto nos permitió obtener las mediciones necesarias. Después, las imágenes pasaron a capas clásicas simples, que entregaron la clasificación final”, detalla Rodrigues.

El estudio no utilizó un procesador cuántico real, sino una plataforma clásica, como el framework PennyLane, que reproduce el comportamiento ideal de un circuito cuántico sin interferencias del entorno. Existen pocos ordenadores cuánticos verdaderos en el mundo. Todos están en fase experimental y disponen de un número limitado de qubits, que varía de algunas decenas a poco más de un millar. Requieren salas impecablemente limpias, aislamiento de vibraciones, blindaje electromagnético y, en la mayoría de los casos, refrigeración cercana al cero absoluto (-273 °C). Por ello, su uso, cuando se ofrece a clientes, resulta desproporcionadamente costoso.

“Los simuladores como el que utilizamos funcionan completamente en plataformas clásicas, no emplean qubits reales, pero dan una idea de cómo se comportarían los circuitos en el mundo cuántico ideal. Están libres de errores y de las variaciones ambientales que afectan en gran medida a los ordenadores cuánticos actuales”, explica Rodrigues. Según ella, a pesar de su extrema simplicidad, el circuito cuántico simulado ya mostró resultados prometedores. “La red clásica que mejor rendimiento tuvo contaba con 11 millones de parámetros. La nuestra, con la capa cuántica, tenía alrededor de 5 mil. Eso lo cambia todo”, compara.

Un concepto físico fundamental detrás del modelo es el de superposición. Es la superposición la que diferencia el qubit del bit clásico. La investigadora explica: “Para entender este concepto, es útil recurrir a una representación conocida como esfera de Bloch. Podemos imaginar esta esfera como un balón de fútbol, en el que cada punto de la superficie representa un estado cuántico posible. En la parte superior de la esfera, el polo norte, tenemos el estado 0. En el polo sur, el estado 1. Todos los demás puntos de la superficie corresponden a estados de superposición entre 0 y 1. Cuando el sistema está exactamente en el polo norte o sur, tenemos 100 % de certeza de que el qubit está en el estado 0 o 1, respectivamente. Pero, en cualquier otro punto de la esfera, entramos en el territorio probabilístico: el qubit está en una superposición con probabilidades variables de ser medido como 0 o 1”.

Existen muchos estados de superposición posibles. Por ejemplo, el qubit puede estar en un estado con un 70 % de probabilidad de ser 0 y un 30 % de ser 1, o cualquier otra combinación. “Al presentar estos estados superpuestos, los qubits pueden manejar mucha más información durante el procesamiento que los bits clásicos. Esta es una de las razones por las cuales la computación cuántica tiene tanto potencial para superar a la clásica. Su capacidad y velocidad de procesamiento son incomparablemente mayores. Pero será necesario superar un gran número de desafíos tecnológicos antes de que este potencial pueda materializarse a gran escala. La expectativa es que, en el futuro, las personas puedan tener computadoras cuánticas en casa, como hoy tienen computadoras convencionales”, subraya Papa.

En el estudio, la información codificada en los qubits fueron los píxeles de las imágenes de mamografía y ultrasonido. A veces un solo píxel; otras, más de uno. El modelo se probó con dos bases de datos: BreastMNIST (con imágenes de ultrasonido) y BCDR (con mamografías segmentadas). Incluso utilizando un circuito con solo cuatro qubits, la red híbrida logró un desempeño competitivo. En el mejor caso, alcanzó 87.2 % de exactitud en el conjunto de prueba y 86.1 % en el de validación. “La idea fue crear una arquitectura que pueda ser utilizada y ampliada en otros estudios”, comenta Rodrigues.

Otras aplicaciones

Aunque el estudio se centró en el cáncer de mama, los autores destacan que la arquitectura desarrollada puede aplicarse a otras áreas. Podría, por ejemplo, utilizarse para el análisis de lesiones cerebrales o para la clasificación de tejidos en imágenes de microscopía. “Estamos dando el primer paso hacia un nuevo paradigma de computación para el diagnóstico médico. Es un campo prometedor que tiende a crecer mucho en los próximos años”, concluye la investigadora.

El estudio contó con el apoyo de la FAPESP mediante los auxilios a la investigación 13/07375-0 y 23/14427-8. así como con becas concedidas a los otros integrantes del equipo: 24/08242-8 y 24/00789-8.

El artículo A hybrid quantum-classical model for breast cancer diagnosis with quanvolutions puede ser leído en: www.computer.org/csdl/proceedings-article/cbms/2025/261000a290/284KoGyo4QU.