Un equipo de investigadores de la Universidade Estadual Paulista (UNESP), en Brasil, ha propuesto un modelo híbrido que combina computación clásica y cuántica para asistir en el diagnóstico temprano del cáncer de mama a partir de imágenes médicas. Esta iniciativa fue presentada en el simposio internacional IEEE CBMS 2025 y representa un paso significativo hacia el aprovechamiento de la computación cuántica en aplicaciones de la vida real, más allá de los laboratorios.
El objetivo del estudio fue desarrollar una arquitectura de red neuronal híbrida que utilizara tanto capas clásicas como cuánticas para analizar imágenes mamográficas y ecográficas. Esta estructura, conocida como quanvolutional neural network (QNN), se enfocó en clasificar lesiones como benignas o malignas con un enfoque eficiente en términos de recursos computacionales.
Un problema global con margen de mejora
El cáncer de mama sigue siendo el tipo de cáncer más común entre las mujeres en todo el mundo. En 2022 se registraron 2,3 millones de casos y 670.000 muertes. El diagnóstico precoz es fundamental para aumentar las posibilidades de tratamiento efectivo y supervivencia. Sin embargo, los métodos tradicionales como la mamografía continúan dependiendo en gran medida del juicio humano.
Tal como explica João Paulo Papa, profesor de la UNESP y coautor del estudio, aunque el procedimiento sea estándar, su interpretación varía según el profesional que lo realiza. Esa subjetividad puede ser una barrera importante, especialmente en zonas con escaso acceso a especialistas experimentados.
Qué aporta la computación cuántica
La propuesta del equipo brasileño se distingue por su uso de una capa cuántica en el proceso de extracción de características de las imágenes. Mientras que las redes convolucionales tradicionales analizan patrones visuales mediante filtros en estructuras clásicas, las quanvoluciones aplican principios de la mecánica cuántica, como la superposición y el entrelazamiento cuántico, para abordar esta tarea desde otra perspectiva.
El sistema creado por Yasmin Rodrigues Sobrinho, primera autora del trabajo, y su equipo, procesó las imágenes usando un circuito cuántico de solo cuatro qubits. Sobre estos qubits se aplicaron rotaciones y compuertas lógicas que permitieron extraer la información necesaria antes de pasarla a capas clásicas, donde se realizó la clasificación final.
Aunque no se usó un computador cuántico real, el modelo fue simulado usando herramientas como PennyLane, que replican el comportamiento ideal de un circuito cuántico sin interferencias externas. Esta aproximación permite experimentar con algoritmos cuánticos sin los costos ni las limitaciones de los equipos reales, que aún están en fase experimental y requieren condiciones extremas para funcionar.
Resultados prometedores con pocos recursos
Una de las revelaciones más interesantes del estudio es que, pese a su simplicidad, el modelo híbrido cuántico-clásico logró resultados comparables a redes neuronales clásicas mucho más grandes. Mientras que una red tradicional puede tener millones de parámetros (como en el caso de la red base que usaron, con 11 millones), el modelo propuesto funcionó con solo 5.000 parámetros.
Las pruebas se realizaron usando dos bases de datos: BreastMNIST (ecografías) y BCDR (mamografías segmentadas). Incluso con un circuito de apenas cuatro qubits, la red alcanzó una precisión del 87,2% en la prueba y del 86,1% en la validación. Estas cifras reflejan una capacidad competitiva para el diagnóstico, especialmente considerando la reducción de complejidad computacional.
Entendiendo la superposición: el corazón del modelo
Para comprender por qué la computación cuántica puede ofrecer ventajas, es clave entender el concepto de superposición cuántica. A diferencia de un bit clásico, que solo puede estar en 0 o 1, un qubit puede estar en ambos estados al mismo tiempo con ciertas probabilidades.
Imaginemos una pelota de fútbol donde cada punto en su superficie representa un posible estado del qubit. En el polo norte está el estado 0, en el polo sur el estado 1, y cualquier punto intermedio representa una combinación de ambos. Esto permite que un solo qubit almacene y procese mucha más información que un bit convencional. Es como tener una moneda girando en el aire en lugar de estar cara o cruz sobre la mesa.
Esa propiedad, multiplicada por varios qubits trabajando juntos, ofrece un espacio de procesamiento mucho más amplio y eficiente. Aún así, la tecnología debe superar muchos desafíos antes de masificarse: los computadores cuánticos actuales son costosos, inestables y sensibles al entorno.
Proyecciones y otras posibles aplicaciones
Aunque el estudio se centró en el diagnóstico del cáncer de mama, la arquitectura desarrollada puede adaptarse a otros escenarios clínicos. Por ejemplo, se podría aplicar al análisis de lesiones cerebrales o a la clasificación de tejidos en imágenes de microscopía. Esto convierte al modelo en una base flexible sobre la cual otros investigadores podrán construir.
Para Yasmin Rodrigues, este trabajo representa solo el comienzo: «Estamos dando el primer paso hacia un nuevo paradigma de cómputo para el diagnóstico médico». La combinación de algoritmos híbridos con simulaciones cuánticas accesibles puede allanar el camino para herramientas diagnósticas más rápidas, precisas y menos costosas.
Aunque todavía estemos lejos de tener ordenadores cuánticos en casa, como anticipa Papa, investigaciones como esta señalan una dirección clara: la medicina del futuro podría no solo ser más personalizada y eficiente, sino también apoyarse en principios de la física cuántica para tomar decisiones más informadas.
