Mejorar la exactitud de la clasificación de la imagen OCT tomografía de coherencia óptica) en 2D y 3D entre un 2,5% y un 5% a partir de algoritmos cuánticos de IA que mejoren a los algoritmos convencionales empleados hasta el momento, reduciendo el número de 100 falsos negativos y falsos positivos.

Reducir el tiempo de procesamiento de imágenes médicas entre un 15% y un 30%. El procesamiento puede implicar o bien transformaciones que se hagan sobre la imagen (cambio de color o textura) bien alimentar un algoritmo (cambio de resolución). Para entender correctamente la magnitud de esta reducción hay que pensar en un orden de magnitud de procesamiento superior a las 10.000 imágenes.

Comprender el funcionamiento y lógica de las redes neuronales cuánticas para ir más allá del estado del arte e identificar las técnicas que mejor resultado den en el ámbito de la imagen médica y más en concreto en imagen OCT. Para ello, se investigará sobre circuitos cuánticos en el ámbito de la IA a partir de técnicas existentes como Quantum Machine Learning, Hybrid Convolutional Neural Network o Quantum Neural Network, entre otras y se realizarán comparaciones utilizando diferentes datasets de imágenes médicas que darán lugar a variaciones en los resultados de las métricas. La selección de las técnicas más adecuadas permitirá un aumento en la eficiencia del proceso de lectura de imágenes, transformación o extracción de características y carga en algoritmos.

Optimizar la eficiencia energética. La IA cuántica tiene el potencial de acelerar los algoritmos de segmentación dado que se pueden explorar múltiples soluciones simultáneamente, gracias a la superposición de probabilidad de estados (mezcla entre 0 y 1), mejorando la eficiencia computacional de búsqueda de regiones de interés. Ese incremento en eficiencia energética beneficiará directamente al medio ambiente y, además, permitirá una atención médica también más eficiente.