Quantenkernel-SVM übertrifft klassische KI bei medizinischer Bildgebung – erster reproduzierbarer Vorteil
Ein institutsübergreifendes Paper von Forschenden am MIT, in Singapur, am Politecnico Milano, in Bordeaux, an der Johns Hopkins University, in York, Taiwan und Toronto (Version 6, April 2026) belegt, dass Quantenkernel-SVMs klassische SVMs bei allen getesteten Qubit-Anzahlen über drei medizinische Grundlagenmodelle hinweg – CXR-Foundation, DINO und ViT-Patch32 – bei der Klassifikation von Brust-Röntgenaufnahmen übertreffen. Die strukturelle Erklärung: Klassische Kernel-Matrizen werden bei niedrigen PCA-Dimensionalitäten niedrigrangig und kollabieren dabei unähnliche Merkmale; Quantenkerne nutzen einen exponentiell größeren Hilbert-Raum, um dies zu vermeiden. Eine Begleitstudie zeigt, dass klassische KI aus Röntgenbildern allein den Versicherungstyp eines Patienten vorhersagen kann – was ein konkretes Gesundheitsgleichheitsrisiko hinsichtlich in klinischen Bilddaten kodierter Verzerrungen aufwirft.
Warum das relevant ist
Der erste reproduzierbare Quantenkernel-Vorteil gegenüber klassischen Methoden bei einer praxisnahen medizinischen KI-Aufgabe markiert den Übergang von theoretischem Quanten-ML zu einem Bereich, in dem Quantenansätze – selbst ohne fehlertolerante Hardware – echten praktischen Nutzen bieten könnten.