Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Panorama 04–05 2022 14 www medicaldesign news Bi ld D Pst oc k ad ob e co m Me d i z i n i s c h e Di a g n o s t i k Bessere KI-Algorithmen durch Quantencomputing? Künstliche Intelligenz KI wird in der medizinischen Bildgebung immer wichtiger – beispielsweise verspricht sie Unterstützung bei Routineaufgaben und eine hohe Diagnosequalität Für Priv -Doz Dr habil Jeanette Lorenz Senior Scientist am Fraunhofer IKS stehen jedoch 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 Quantenklassisches 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 Architektur eines wahlweisen klassischen oder Quantumklassischen Convolutional Neural Networks zur Klassifikation von Tumoren in 2D-Bilddaten Bi ld Fra un ho fe r IK S