// SCINEXX — SPAZIO & SCIENZA
Quanten-KI klassifiziert Lungenkrebs-Daten mit hoher Genauigkeit
Mit wenig Trainingsmaterial zum Treffer: Ein Quantenlernverfahren hat in Tests Lungenkrebs-Datensätze mit mehr als 90 Prozent Genauigkeit klassifiziert. Dafür genügten jeweils 108 Trainingsbeispiele. Doch die Ergebnisse stammen aus einer kleinen, künstlich erweiterten Datenbasis und sagen noch nicht, wie zuverlässig das Verfahren bei echten Patienten wäre.
Boca Raton (U.S.A.). Husten, Atemnot oder Brustschmerzen können auf Lungenkrebs hindeuten, kommen aber auch bei vielen anderen Erkrankungen vor. Eine sichere Diagnose lässt sich deshalb nicht allein aus solchen Symptomen und bekannten Risikofaktoren ableiten.
Computerprogramme könnten künftig helfen, in Gesundheitsdaten verdächtige Muster zu erkennen und weitere Untersuchungen gezielter zu veranlassen. Doch solche Verfahren benötigen oft viele geeignete Trainingsbeispiele. Ob Quantencomputer auch mit wenigen Daten aussagekräftige Vorhersagen liefern können, ist daher eine wichtige Forschungsfrage.
Forscher der Florida Atlantic University (FAU) um Prof. Arslan Munir haben nun drei quantengestützte Klassifikationsverfahren unter bewusst eingeschränkten Trainingsbedingungen verglichen. Dabei kamen sowohl simulierte Quantenverfahren als auch ein tatsächlich betriebener Quantencomputer zum Einsatz.
Als Grundlage diente ein frei verfügbarer Datensatz mit 309 Einträgen zu Lungenkrebs, Symptomen und Risikofaktoren. Um die beiden Gruppen mit und ohne Krebskennzeichnung auszugleichen, ergänzte das Team die Daten mithilfe des SMOTE-Verfahrens um rechnerisch erzeugte Beispiele auf insgesamt 540 Fälle. Es handelt sich also nicht um 540 unabhängig untersuchte Patienten.
Eine Optimierung wählte zehn besonders informative Merkmale aus, darunter Rauchen, Husten, Brustschmerzen und Atemgeräusche. In jeder von fünf Auswertungsrunden lernten die Programme aus lediglich 108 Beispielen. Die übrigen 432 Einträge dienten jeweils zur Ermittlung der Trefferquote.
„Unser Ziel war es zu untersuchen, wie verschiedene Quantenlernverfahren abschneiden, wenn die Menge der Trainingsdaten bewusst begrenzt wird. Indem wir mehrere Verfahren unter einheitlichen Versuchsbedingungen bewerten, können wir ihre Möglichkeiten und Grenzen besser verstehen und Ansatzpunkte erkennen, die weiter untersucht werden sollten“, erklärt Prof. Arslan Munir.
Am erfolgreichsten war eine sogenannte Quanten-Support-Vektor-Maschine, kurz QSVM, die auf der Technik von D-Wave aufbaute. Die simulierte Variante erreichte im untersuchten Datensatz eine Genauigkeit von 94,31 Prozent. Auf einem realen Quantencomputer lag sie bei 91,90 Prozent.
Bei diesem Quantenannealing wird eine Rechenaufgabe als Suche nach einer besonders günstigen Lösung formuliert. Das Team verglich diesen Ansatz mit torbasierten Quantenverfahren und weiteren Lernmethoden, darunter die Einordnung nach ähnlichen Nachbarfällen und ein Verfahren, das mehrere schwächere Klassifikatoren kombiniert.
Die simulierte D-Wave-Variante erzielte in der Studie auch gegenüber den untersuchten klassischen Lernverfahren die höchste Genauigkeit. Auf der realen Quantenhardware fiel der Wert hingegen niedriger aus und lag im dargestellten Vergleich hinter den klassischen Modellen. Ein grundsätzlicher Vorteil von Quantencomputern bei der Lungenkrebs-Erkennung ist damit noch nicht nachgewiesen.