Bolsa 24/00117-0 - Computação quântica, Aprendizado computacional - BV FAPESP
Busca avançada
Ano de início
Entree

Redes Neurais Convolucionais Quânticas para a Detecção de Câncer de Mama Utilizando Mamografias

Processo: 24/00117-0
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Data de Início da vigência: 01 de março de 2024
Data de Término da vigência: 28 de fevereiro de 2026
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:João Paulo Papa
Beneficiário:Yasmin Rodrigues Sobrinho
Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Assunto(s):Computação quântica   Aprendizado computacional
Palavra(s)-Chave do Pesquisador:Aprendizado em Profundidade | computação quântica | Aprendizado de máquina

Resumo

Essa pesquisa explora a convergência entre as redes neurais convolucionais (do inglês, Convolutional Neural Networks - CNNs) e a computação quântica (QC) como uma abordagem inovadora na detecção de câncer de mama, marcando avanços notáveis na aplicação da inteligência artificial na medicina. A fusão dessas tecnologias promissoras resulta nas redes neurais convolucionais quânticas (do inglês, Quantum Convolutional Neural Networks - QCNNs), buscando ampliar a capacidade preditiva e diagnóstica clássica ao explorar as vantagens intrínsecas da mecânica quântica. Ao incorporar a QC à arquitetura das CNNs, abre-se a possibilidade de explorar fenômenos como entrelaçamento e superposição, promovendo uma melhoria substancial na eficiência computacional. Esta abordagem visa superar desafios tradicionais, concentrando-se especialmente na detecção precoce e precisa do câncer de mama. A sinergia entre o aprendizado profundo (do inglês, Deep Learning - DL), motor das CNNs, e a QC oferece uma perspectiva transformadora para a medicina de precisão. Algoritmos altamente especializados podem analisar complexos padrões de imagens médicas, identificando anomalias de maneira mais rápida e precisa nesses dados. Este desenvolvimento científico conjunto representa um passo significativo rumo à personalização do diagnóstico e tratamento, contribuindo para otimizar os recursos clínicos e, consequentemente, aprimorar os resultados para pacientes afetados por essa enfermidade.O estudo propõe investigar o potencial das QCNNs como uma ferramenta inovadora na detecção de câncer de mama, explorando a simbiose entre a tecnologia quântica, inteligência a rtificial e a medicina para impulsionar avanços substanciais na área de tecnologias especialistas. Ao integrar os benefícios proporcionados pela fusão dessas tecnologias, essa pesquisa busca não apenas oferecer um impacto positivo significativo na eficácia e eficiência dos diagnósticos, mas também contribuir para uma abordagem mais assertiva e personalizada. Essa união não só promete revolucionar o presente, mas também inaugurar uma era onde o aprendizado de máquina quântico (do inglês, Quantum Machine Learning - QML) e a medicina se entrelaçam de maneira ainda mais profunda, oferecendo perspectivas inovadoras que moldarão a próxima fronteira de avanços médicos em que soluções inovadoras para os desafios médicos mais complexos serão moldadas pela poderosa convergência desses campos.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)