Un equipo de la Universidad Estatal Paulista (UNESP) en Brasil ha desarrollado un modelo híbrido de inteligencia artificial que combina computación cuántica para el diagnóstico temprano del cáncer de mama.
La investigación fue presentada en la 38ª edición del IEEE Computer Based Medical Systems (CBMS) 2025, uno de los congresos más relevantes en informática médica.
Un enfoque híbrido: la quanvolutional neural network (QNN)
El grupo propuso una quanvolutional neural network (QNN), un tipo de red neuronal que introduce una capa cuántica de convolución junto a capas clásicas.
Esta estructura se aplicó a imágenes de mamografías y ecografías con el fin de clasificar lesiones como benignas o malignas.
Según Yasmin Rodrigues, primera autora del trabajo, el objetivo era probar una arquitectura sencilla pero funcional:
“Lo que quisimos traer a este estudio fue una arquitectura muy básica que usara computación cuántica, pero con el mínimo de dispositivos cuánticos y clásicos”.
¿Por qué cáncer de mama?
El cáncer de mama es el más común entre mujeres en todo el mundo, con 2,3 millones de casos y 670.000 muertes en 2022.
Aunque la mamografía es el método estándar de detección, su interpretación depende en gran medida de la experiencia del especialista, lo que puede generar diagnósticos inconsistentes.
El profesor João Paulo Papa, coautor del estudio, explica:
“Aunque teóricamente sencillo, el examen sigue siendo altamente dependiente del profesional que lo realiza”.
Superposición y eficiencia cuántica
La innovación clave es la capa de convolución cuántica, capaz de extraer características locales de las imágenes usando propiedades como superposición y entrelazamiento.
Con apenas cuatro qubits simulados, los investigadores lograron sustituir la fase tradicional de extracción de características, reduciendo drásticamente la complejidad del modelo.
- Red clásica: 11 millones de parámetros.
- Red híbrida cuántico-clásica: ~5.000 parámetros.
El entrenamiento se realizó con simuladores cuánticos (usando PennyLane), que reproducen el comportamiento ideal de un circuito cuántico sin ruido ambiental.
Resultados prometedores
El modelo fue evaluado en dos bases de datos: BreastMNIST (ecografías) y BCDR (mamografías segmentadas). Incluso con una arquitectura reducida, alcanzó resultados competitivos:
- 87,2% de precisión en el conjunto de prueba.
- 86,1% de precisión en validación.
Rodrigues destaca:
“Nuestro modelo es extremadamente simple, pero ya mostró un rendimiento comparable a redes mucho más complejas. Eso lo cambia todo”.
Aplicaciones futuras
Aunque el estudio se centró en cáncer de mama, los autores señalan que el enfoque híbrido puede extenderse a otras áreas médicas, como el análisis de lesiones cerebrales o la clasificación de tejidos en imágenes de microscopía.
Conclusión
El trabajo de la UNESP representa un primer paso hacia un nuevo paradigma de diagnóstico asistido por computación cuántica.
Aunque los sistemas cuánticos reales siguen siendo costosos y limitados en número de qubits, los simuladores permiten explorar arquitecturas que podrían transformar la medicina en un futuro cercano.