Científicos han desarrollado una red neuronal cuántica fotónica de variables continuas (CV-QNN) capaz de clasificar imágenes de cáncer oral con alta precisión. Este avance es significativo porque la red opera a temperatura ambiente y requiere un número muy reducido de parámetros entrenables, lo que la hace adecuada para su implementación en dispositivos de borde (edge computing), como teléfonos inteligentes. La detección temprana del cáncer oral mejora drásticamente los resultados clínicos, pero las herramientas de diagnóstico especializadas son escasas en entornos con recursos limitados, lo que hace que las soluciones escalables basadas en smartphones sean cruciales.

El sistema híbrido clásico-cuántico combina un extractor de características MobileNetV1 y un análisis de componentes principales para reducir la dimensionalidad de las imágenes a 16 dimensiones. Sobre esta base, se aplica una CV-QNN parametrizada que utiliza puertas de desplazamiento, interferométricas y de Kerr en un backend fotónico. Los investigadores propusieron una arquitectura simplificada de CV-QNN que reduce los parámetros entrenables entre un 40% y un 45% en comparación con las arquitecturas estándar. Además, implementaron estrategias de reducción de dimensionalidad y restricción de codificación para mitigar el problema de las mesetas estériles, aumentando la varianza del gradiente de pérdida en aproximadamente 58 órdenes de magnitud.

El modelo más potente, una CV-QNN simplificada de cuatro qumodes con solo 18 parámetros, superó a un modelo clásico de 55 parámetros utilizando un 67% menos de parámetros. Este modelo alcanzó una precisión de prueba calibrada del 100% en todas las semillas, logrando el área bajo la curva (AUC) de validación más alta de todos los modelos probados. Estos resultados demuestran el potencial del aprendizaje automático cuántico fotónico de variables continuas para la clasificación de imágenes médicas, abriendo camino hacia la inteligencia artificial cuántica en el borde.