L'intelligenza artificiale applicata alla medicina sta vivendo una rivoluzione silenziosa che potrebbe cambiare radicalmente il modo in cui diagnostichiamo il cancro al seno. Un team di ricercatori dell'Università Statale di São Paulo (UNESP) in Brasile ha sviluppato un modello ibrido che combina le potenzialità del quantum computing con le reti neurali classiche, aprendo scenari inediti per la diagnosi precoce attraverso l'analisi di immagini mediche. La ricerca, che ha ottenuto risultati sorprendenti con soli quattro qubit quantistici, dimostra come sia possibile ottenere prestazioni competitive utilizzando una frazione minima delle risorse computazionali tradizionali.
La sfida della diagnosi mammografica nel mondo reale
Il cancro al seno rappresenta la forma tumorale più diffusa tra le donne a livello globale, con 2,3 milioni di nuovi casi e 670.000 decessi registrati nel 2022. Nonostante la mammografia sia considerata lo standard diagnostico, la sua interpretazione rimane fortemente dipendente dall'esperienza del professionista che la esegue. "Sebbene teoricamente semplice da seguire, la mammografia è ancora un esame la cui interpretazione dipende pesantemente dal professionista che esegue la procedura", spiega João Paulo Papa, professore ordinario presso il Dipartimento di Informatica del campus di Bauru dell'UNESP e coautore dello studio.
Questa variabilità nell'interpretazione umana può portare a diagnosi inconsistenti, ritardando trattamenti cruciali o causando falsi allarmi. La necessità di strumenti diagnostici più affidabili e standardizzati ha spinto i ricercatori a esplorare soluzioni innovative che combinino precisione tecnologica e accessibilità pratica.
L'architettura rivoluzionaria delle reti neurali quantistiche
Il cuore dell'innovazione sviluppata dal team UNESP risiede nell'utilizzo di una rete neurale quanvoluzionale (QNN), che integra strati quantistici e classici in un'architettura ibrida. A differenza dei modelli tradizionali, questa soluzione sfrutta le proprietà uniche dei sistemi quantistici, come la sovrapposizione l'entanglement, per processare le informazioni in modo più efficiente.
"L'obiettivo della convoluzione quantistica, come quella classica, è estrarre caratteristiche locali da dati strutturati come le immagini. Ma lo fa sfruttando le proprietà uniche dei sistemi quantistici, che rendono possibile processare le informazioni in modo molto più efficiente e veloce", descrive Papa. Il processo prevede il passaggio delle immagini attraverso un circuito quantistico a quattro qubit, con operazioni di rotazione e porte logiche, per poi trasferire i risultati a strati classici che forniscono la classificazione finale.
Simulazione quantistica: quando il virtuale supera il reale
La ricerca non ha utilizzato un processore quantistico reale, ma si è affidata a simulatori classici come il framework PennyLane. Questa scelta, lungi dall'essere un limite, si è rivelata strategica considerando le attuali limitazioni dei computer quantistici esistenti. I veri computer quantistici sono ancora pochissimi al mondo, tutti in fase sperimentale e con un numero limitato di qubit che varia da alcune decine a poco più di mille unità.
"I simulatori che utilizziamo funzionano interamente su piattaforme classiche, non usano qubit reali, ma danno un'idea di come i circuiti si comporterebbero nel mondo quantistico ideale. Sono privi di errori, liberi dalle variazioni ambientali che influenzano notevolmente gli attuali computer quantistici", spiega Yasmin Rodrigues, prima autrice dello studio e studentessa di iniziazione scientifica sotto la supervisione di Papa.
Il potere della sovrapposizione quantistica
Il concetto fisico fondamentale alla base del modello è la sovrapposizione, che differenzia il qubit dal bit classico tradizionale. Rodrigues utilizza una metaforica sfera di Bloch per spiegare questo fenomeno: "Possiamo immaginare questa sfera come un pallone da calcio, dove ogni punto sulla superficie rappresenta un possibile stato quantistico. Al polo nord abbiamo lo stato 0, al polo sud lo stato 1. Tutti gli altri punti sulla superficie corrispondono a stati di sovrapposizione tra 0 e 1".
Questa caratteristica consente ai qubit di processare molte più informazioni rispetto ai bit classici, aprendo possibilità computazionali precedentemente inimmaginabili. Nel caso specifico dello studio, le informazioni codificate nei qubit corrispondevano ai pixel delle immagini mammografiche e ultrasonografiche, processate singolarmente o in gruppi.
Risultati promettenti e prospettive future
I test condotti su due database specifici - BreastMNIST per le immagini ultrasonografiche e BCDR per le mammografie segmentate - hanno dimostrato l'efficacia del modello ibrido. Nel migliore dei casi, la rete ha raggiunto un'accuratezza del 87,2% sul set di test e dell'86,1% su quello di validazione, risultati competitivi ottenuti con una frazione delle risorse computazionali normalmente richieste.
Il confronto con le reti neurali classiche è impressionante: mentre la migliore rete classica utilizzava 11 milioni di parametri, quella ibrida con strato quantistico ne richiedeva appena 5.000. Questa drastica riduzione delle risorse necessarie apre scenari interessanti per l'implementazione pratica in contesti clinici reali, dove l'efficienza computazionale è cruciale.
Oltre il cancro al seno: applicazioni trasversali
Sebbene la ricerca si sia concentrata specificamente sulla diagnosi del tumore mammario, l'architettura sviluppata presenta potenzialità applicative ben più ampie. Gli autori indicano possibili utilizzi nell'analisi delle lesioni cerebrali o nella classificazione tissutale attraverso immagini di microscopia, suggerendo un approccio versatile applicabile a diverse specializzazioni mediche.
"Stiamo compiendo il primo passo verso un nuovo paradigma computazionale per la diagnosi medica. È un campo promettente che probabilmente crescerà significativamente nei prossimi anni", conclude Rodrigues. La ricerca, pubblicata nel 2025 IEEE 38th International Symposium on Computer-Based Medical Systems, rappresenta un contributo significativo verso l'integrazione delle tecnologie quantistiche nella pratica clinica quotidiana, promettendo diagnosi più accurate, rapide ed economicamente sostenibili.