Viele Methoden in der Medizinphysik umfassen die Bereiche Modellierung, Rekonstruktion, Optimierung und künstliche Intelligenz - allesamt erstklassige Kandidaten, um von der Nutzung des Quantencomputers zu profitieren. Quantencomputer können komplexe Probleme lösen, die von klassischen Computern nicht oder nur annähernd mit Hilfe von Hochleistungsrechnern gelöst werden können. Der Vorteil des Quantencomputings kann hingegen in verschiedenen Formen auftreten: Quantenbeschleunigung, präzisere Berechnungen oder vereinfachte algorithmische Komplexität im Vergleich zu klassischen Algorithmen. Jeder dieser Vorteile allein oder in Kombination kann tiefgreifende Auswirkungen auf die medizinische Wissenschaft und die Präzisionsmedizin haben.
Die Quanteninformatik ist ein sich rasch entwickelndes Gebiet, dennoch konzentriert sich der Großteil der weltweiten Quantencomputerforschung ab 2022 auf die Entwicklung von Quantenhardware. Während auf theoretischer Ebene zahlreiche Quantenalgorithmen vorgeschlagen wurden, ist ihre praktische Erprobung in realen klinischen Umgebungen unterrepräsentiert. Unser Ziel ist es, das Potenzial des Quantencomputings in klinisch relevanten Bereichen wie Bildgebung, Bildanalyse und künstlichen Intelligenz (KI) zu nutzen, um die Diagnosegenauigkeit zu erhöhen und die Präzisionsmedizin durch die folgenden Ziele zu unterstützen:
- Native Quanteninformatik: Vorschlag neuartiger Bildrekonstruktions- und –Analyse-Ansätzen in klinisch relevanten Bereichen unter Verwendung von Quantencomputing und NISQ-Computern (noisy intermediate scale quantum).
- Übergang vom klassischen Computing zum Quantencomputing: Konsolidierung und Überführung bestehender klassischer eMethoden in den Bereich des Quantencomputing, um sie in NISQs mit einer kleinen Anzahl von Quantenbits einsetzbar zu machen.
- Klinische Anwendung: Untersuchung neuartiger Visualisierungsprinzipien für Quantenschaltungen zur Unterstützung der künftigen klinischen Anwendung und Interpretation von Quantencomputeranwendungen in der klinischen Routine.
Forschungsbereichsrepräsentant
Laszlo Papp
T +43 (0)1 40400-72350
Mehr über diesen Forschungsbereich
Modellierung der Wechselwirkung zwischen Quantenphotonen und Gewebe
Die Wechselwirkung zwischen Photonen und Gewebe ist ein Phänomen, das die Aufnahme medizinischer Bilder wie der optischen Kohärenztomographie (OCT), der Computertomographie (CT) oder der Positronenemissionstomographie (PET) ermöglicht. Die Forschung im Bereich der medizinischen Bildgebung - einschließlich der an unserem Zentrum durchgeführten Forschung - stützt sich in hohem Maße auf die Aufnahme, Rekonstruktion und Analyse medizinischer Bilder, um Krankheiten in klinisch relevanten Bildgebungskohorten zu charakterisieren. Dieses Projekt zielt darauf ab, die grundlegenden Bausteine der Photonen-Gewebe-Wechselwirkung für die medizinische Bildrekonstruktion im Quantenbereich aufzubauen, indem verschiedene Ansätze wie „Quantum Walk“, Optimierung, sowie die Lösung von Diffusionsgleichungen untersucht werden. Zurzeit konzentrieren wir uns auf OCT-Bildgebungsbeispiele, da es einen Machbarkeitsnachweis mit kleinen Datenmengen in 2D (hohe Auflösung, aber in einem kleinen Sichtfeld) liefern kann. Die Ergebnisse dieses Projekts werden kontinuierlich auf die 3D-Bildgebung übertragen.
Quantenradiomik und KI
Mittels Radiomik werden verschiedene numerische Merkmale aus medizinischen Bildern extrahiert, um sie mit Hilfe von Ansätzen des maschinellen Lernens (ML) zu analysieren und vorherzusagen. Deep-Learning-Ansätze gelten für die Radiomik als überlegen, sie erfordern jedoch große Mengen an Trainingsdaten die oft nicht verfügbar sind. Ältere vorgeschlagene Ansätze zeigen, dass die Extraktion von Quantenmerkmalen durch kodierte medizinische Bilder im Quantenbereich möglich ist und dass diese Quantenmerkmale das Potenzial haben, als Ersatz für radiomische und tiefe Merkmale in einem integrierten und vereinfachten Quantenschaltkreis zu dienen. Aktuelle Lösungen für maschinelles Lernen auf Quantenbasis haben sich in verschiedenen realen Datensätzen, einschließlich medizinischer Daten, als vorteilhaft im Vergleich zu ihren klassischen Gegenstücken erwiesen, erfordern jedoch immer noch die Kodierung klassischer Daten vor der Analyse. Ein nativer Quantenmerkmalsextraktionsansatz in Kombination mit nativem maschinellem Quantenlernen kann eine vergleichbare oder bessere Vorhersageleistung im Vergleich zu klassischem Radiomics/Deep Learning und ML bieten. Daher zielt dieses Projekt darauf ab, den Mehrwert von Quanten-Radiomik + Quanten-ML in klinisch relevanten Bildgebungsdatensätzen zu untersuchen.