Startseite > Medizintechnik > E-Health > Bessere KI-Algorithmen durch Quantencomputing?

Medizinische Diagnostik

Bessere KI-Algorithmen durch Quantencomputing?

25. Oktober 2022, 12:15 Uhr | Dr. habil. Jeanette Lorenz

Künstlicher Intelligenz in der medizinischen Bildgebung fehlt es häufig an ausreichend Trainingsdaten. Der Einsatz von Quantencomputing hat das Potenzial die Algorithmenqualität zu verbessern.

Für Dr. habil. Jeanette Lorenz, Senior Scientist am Fraunhofer IKS, stehen häufig zu wenig Trainingsdaten für die medizinische KI zur Verfügung. Der Einsatz von Quantencomputing hat ihrer Meinung nach das Potenzial, unterstützend einzugreifen und die Algorithmenqualität entscheidend zu verbessern.

Künstliche Intelligenz (KI) eröffnet im Bereich der Medizintechnik komplett neue Möglichkeiten in der Vorsorge, Diagnose und Behandlung von Krankheiten. Beispielsweise kann sie in der frühzeitigen Erkennung von Tumorerkrankungen eingesetzt werden. Gerade im medizinischen Bereich ist es aber notwendig, dass eine KI absolut zuverlässige Ergebnisse liefert. Dies erfordert ausreichend Daten in hoher Qualität zum Training der KI.

Typischerweise stehen Daten nur begrenzt zur Verfügung, zum Beispiel von lediglich 100 oder 1000 Patienten. Zugleich zeichnet sich durch die Verknüpfung unterschiedlichster Informationen zur besseren Behandlung von Krankheiten eine wachsende Komplexität in den Berechnungen ab, die immer leistungsstärkere Computer erfordert.

Quantencomputing hat hier das Potenzial, unterstützend einzugreifen, da von Quantencomputern erwartet wird, dass sie besonders gut zur Lösung komplexer Probleme geeignet sein werden. Hierbei entsteht der zu erwartende Quantenvorteil durch eine kompaktere Darstellung der Daten im Quantencomputer und durch Quanteneffekte während der Berechnung.

Da aktuelle Quantencomputer jedoch noch recht klein sind (d. h. relativ wenige Qubits haben, wobei ein Qubit das quantenmechanische Pendant zu einem klassischen Bit ist) und zudem noch sehr fehleranfällig sind, lohnt sich besonders der Blick auf sogenannte Hybrid-Algorithmen. Bei diesen arbeiten ein Quantencomputer und ein klassischer Computer gemeinsam an der Lösung eines Problems, wobei nur die Berechnungsteile auf dem Quantencomputer laufen, die auch von seinen speziellen Eigenschaften profitieren.

Ein sehr vielversprechendes Beispiel für einen solchen Hybridalgorithmus ist ein Quanten-klassisches Convolutional Neural Network (QCCNN). Klassische Convolutional Neural Networks (CNN) werden oft in der Bilderkennung eingesetzt, und somit auch erfolgreich für Aufgaben in der Radiologie. CNN betrachten im sogenannten Convolutional Layer stets nur Teilbereiche, also Ausschnitte, eines Bildes. Gerade dieser Aspekt macht sie für die aktuell noch kleinen Quantencomputer so interessant: Das Ersetzen eines klassischen Convolutional Layers durch einen Quantum Convolutional Layer erfordert nämlich nur wenige Qubits und ist auch bis zu einem gewissen Grad unabhängig von den Fehlern der Quantencomputer-Hardware. Im Vergleich zu klassischen CNNs können QCCNNs aber mit deutlich weniger Trainingsdaten und Parametern auskommen, um ein vergleichbares oder gar besseres Trainingsergebnis zu erreichen.

Das Fraunhofer-Institut für Kognitive Systeme IKS erforscht zusammen mit der Radiologie am Klinikum der Ludwig-Maximilians-Universität München den Einsatz von QCCNNs für Klassifikationsaufgaben in der medizinischen Bildgebung. Beispielaufgaben sind die Klassifikation von Tumoren in 2D-Ultraschall-Bildern der Brust oder von Knoten in der Lunge auf 3D-CT-Bildern als gutartig oder bösartig.

Im Falle von 2D-Bilddaten kann hierbei eine relativ einfache Architektur des QCCNNs gewählt werden (Bild), wo ein klassischer Convolutional Layer direkt durch einen Quantum Convolutional Layer ersetzt wird. Bei geeigneter Wahl der Architektur der Quantum Convolutional Layer zeigen erste Ergebnisse für 2D-Ultraschallbilder der Brust, dass bei weniger Parametern höhere Genauigkeiten erzielt werden als in der klassischen Alternative. Da es sich hierbei noch dazu um einen Datensatz mit weniger als 600 Bildern handelt, ist dies sehr beachtlich.

Die 3D-CT-Bilder der Lunge können aufgrund der Größe von 128 x 128 x 64 Pixel nicht direkt in einen Quantum Convolutional Layer eingelesen werden – die Laufzeiten wären gegenwärtig noch zu lang. Vielversprechende Ergebnisse zeigen sich aber bereits für einen etwas veränderten Algorithmus, in dem zunächst eine Datenkompression durch klassische Convolutional Layer vorgenommen wird, bevor ein Quantum Convolutional Layer eingesetzt wird. Dies ist das erste Mal, dass für ein reales Anwendungsproblem ein QCCNN für dreidimensionale Bilddaten entwickelt wurde.

Diese ersten Ergebnisse sind sehr ermutigend und lassen erhoffen, dass sich zukünftig QC-unterstützte KI-Algorithmen auch in Situationen mit wenig Trainingsdaten zuverlässig einsetzen lassen – wie in der medizinischen Diagnostik. (uh) ■