Mit Quanten-KI Pneumonien erkennen

Pneumonien zählen weltweit zu den häufigsten Todesursachen für Kleinkinder und ältere Menschen. Auf Röntgenaufnahmen sind sie oft schwer zu erkennen, insbesondere im Frühstadium. Automatisierte Bildklassifikationssysteme, die darauf trainiert sind, gesunde von kranken Lungen zu unterscheiden, können die diagnostische Genauigkeit verbessern. Doch die medizinischen Bilddatensätze, anhand derer die Modelle trainiert werden, sind häufig klein und hinsichtlich des Verhältnisses von gesunden zu erkrankten Menschen unausgewogen. Das schränkt die Entwicklung robuster Klassifikatoren mit hoher Genauigkeit ein.

Ein neues, am Lehrstuhl für Mobile und Verteilte Systeme der LMU entwickeltes, quantenbasiertes Modell kann dabei helfen, Krankheiten schneller und präziser zu diagnostizieren, zum Beispiel Pneumonien auf Röntgenaufnahmen. Das quantenbasierte System könnte künftig mit einem Bruchteil der Parameter klassischer Modelle ähnlich gute Ergebnisse wie vergleichbare klassische Ansätze erzielen.

Wie es funktioniert

Vergrößern

Die Klassifikation medizinischer Bilddaten wird derzeit überwiegend mit sogenannten neuronalen Netzen, insbesondere mit Convolutional Neural Networks (CNNs) durchgeführt. Diese Modelle erreichen zwar eine hohe Genauigkeit, bergen bei kleinen Datensätzen jedoch das Risiko des „Overfittings“ aufgrund der hohen Anzahl an zu optimierenden Parametern und erfordern daher oft den Einsatz zusätzlicher Techniken wie Transfer Learning oder Regularisierung.

In einer im vergangenen Jahr veröffentlichten Grundlagenstudie untersuchten die Forschenden das Potenzial quantenbasierter Verfahren. Das entwickelte Modell basiert auf sogenannten Quantum-Boltzmann-Machines (QBM), probabilistischen Modellen, die Wahrscheinlichkeitsverteilungen über Daten lernen. Der für das Training und die Inferenz notwendige Sampling-Prozess wird mithilfe von Quantum Annealing durchgeführt, einem Optimierungsverfahren, das quantenmechanische Effekte wie Quantentunneln nutzt.

Nun wandten die Forschenden das Verfahren im Rahmen eines Use Cases auf der Plattform des Quantum-Netzwerks QuCUN an, einem Verbundprojekt von LMU, Aqarios, BASF und SAP, gefördert durch das Bundesministerium für Forschung, Technologie und Raumfahrt. Anhand von klassifizierten Bilddaten – im aktuellen Use Case Röntgenaufnahmen des Brustkorbs von Kindern aus dem MedMNIST-Datensatz – lernt das Modell eine Wahrscheinlichkeitsverteilung über die Daten, bei der relevante strukturelle Merkmale wie etwa charakteristische Verschattungen oder Konsolidierungen bei Patientinnen und Patienten mit Pneumonie mit höherer Wahrscheinlichkeit auftreten als bei gesunden Menschen. Anschließend kann das Modell neue, bisher unbekannte Bilder anhand der erlernten Merkmale bewerten und die Aufnahmen mit einer bestimmten Wahrscheinlichkeit den Klassen „gesund“ oder „erkrankt“ zuordnen.

9.000 anstatt 11 Millionen trainierbarer Parameter

Es zeigt sich: Das QBM-Modell erreicht mit weniger als 9.000 trainierbaren Parametern eine Genauigkeit von rund 84–86 Prozent. Damit bleibt es zwar hinter etablierten klassischen Bildklassifikationsmodellen zurück, die auf demselben Datensatz etwa 94 Prozent erreichen, verwendet dafür aber nur einen Bruchteil der Parameter. Zum Vergleich: Eine häufig eingesetzte klassische CNN-Architektur wie ResNet-18 besitzt mehr als elf Millionen trainierbare Parameter.

Geschwindigkeitsgewinn durch Quantencomputing

Wie die Studie zeigte, können quantenphysikalische Machine Learning Modelle wie eine auf Quantum Annealing basierte Boltzmann Machine in bestimmten Fällen die Trainingszeiten für die Bildklassifizierung erheblich verkürzen und komplexe Merkmalskorrelationen selbst in kleinen Datensätzen erkennen.

„Unsere Forschung zeigt, dass Quantum-Machine-Learning-Algorithmen gegenüber vergleichbaren klassischen Ansätzen spezielle Vorteile bieten können – beispielsweise, wenn die Datenverfügbarkeit eingeschränkt ist“, sagt Tobias Rohe, Doktorand am Lehrstuhl für Mobile und Verteilte Systeme der LMU und an der Studie beteiligt. „Es gilt nun, diese Stärken weiter zu erforschen, passgenaue Anwendungsfälle zu identifizieren und die Technologie mit zunehmender Quantenhardware-Reife schrittweise aus der Forschung in den medizinischen Alltag zu überführen. Wir müssen dabei allerdings anerkennen, dass dies noch ein weiter, dafür umso spannenderer Weg ist."

Um die Übertragbarkeit auf klinisch realistischere Datensätze zu prüfen, sind daher Folgestudien erforderlich. Auch die zugrunde liegende Quanten-Hardware und die praktische Umsetzung befinden sich noch in einem frühen Entwicklungsstadium.

Daniëlle Schumann, Mark V. Seebode, Tobias Rohe, Maximilian Balthasar Mansky, Michael Schroedl-Baumann, Jonas Stein, Claudia Linnhoff-Popien, Florian Krellner: Quantum Boltzmann Machines Using Parallel Annealing for Medical Image Classification. IEEE Xplore 2025.

Über QuCUN: QuCUNist das Quantum Computing User Network Deutschlands, ein Verbundprojekt von LMU, Aqarios, BASF und SAP, gefördert durch das Bundesministerium für Forschung, Technologie und Raumfahrt. QuCUN unterstützt Industriepartner dabei, sich auf das Zeitalter des Quantencomputing vorzubereiten – ohne hohe Anfangsinvestitionen.