PunchAbia sacks Enyimba management, technical crew over poor performanceThe Jerusalem PostTrump's China policy sparks White House infighting over Nvidia exports as president heads to AsiaBollywood HungamaSalman Khan begins 10-day shoot schedule in Pune for Monster co-starring Nayanthara, teaser set for his birthday: ReportInquirerAntipolo bishop: Don’t just buy buckets; protect environment vs. El NiñoZDF heuteEntdecken Sie das ZDF-NachrichtenstudioFootball ItaliaToday’s Papers – Chivu fears nobody, Juventus continue Valera talksIl Fatto Quotidiano“L’assenza di Sinner non mi aiuta, perché lui lascia un po’ di spazio”: la sincerità di Cobolli dopo la sconfittaDaily MailKim Jong Un smokes a cigarette as he watches his daughter ski during visit to new tourist resort - after Trump hinted at possible meetingNOSOudste sinterklaasgedicht van rond 1640 ontdekt: 'Beetje knullige rijm'Observador DesportoSe dependesse de Centeno, recuávamos mais de 50 anosOnetDlaczego na jednych leki działają, a innym mogą nawet szkodzić? Naukowcy znaleźli rozwiązanie. Może chodzić o genyMalay MailJennie leads K-pop’s Grammy charge as major agencies shun new Asian pop category
The Daily Newsstand · Free, Always
Tuesday, November 17, 2026

Cancer du poumon : cette IA quantique atteint 91,9 % de prédictions correctes avec seulement 108 exemples

Translate

Pour entraîner une IA à reconnaître une maladie, il faut généralement disposer de nombreuses données médicales, parfois difficiles à réunir. Aux États-Unis, une équipe de recherche de la Florida Atlantic University explore une piste prometteuse en exploitant les capacités de l'informatique quantique pour identifier des profils associés au cancer du poumon à partir d'un nombre réduit d'exemples.

Publiée dans la revue Discover Quantum Science, leur étude suggère que cette technologie pourrait contribuer à développer de nouveaux outils d'aide à la décision médicale.

108 exemples pour reconnaître des profils à risque

Pour tester leur approche, les scientifiques ont utilisé une base de données comprenant 309 dossiers, renseignant notamment le tabagisme, la toux, la fatigue, les douleurs thoraciques ou encore les difficultés respiratoires.

Pourquoi certains développent-ils un cancer et d'autres non ? Des chercheurs français explorent une piste inattendue

Pourquoi certains individus, parfois centenaires et pourtant très exposés, restent-ils indemnes de cancer ? Une équipe française s'empare de cette énigme biologique, soutenue par une bourse internationale d'exception.... Lire la suite

Afin d'équilibrer les profils avec et sans cancer, ils ont généré des données synthétiques, portant l'ensemble à 540 exemples. Au final, seuls 108 exemples ont servi à entraîner les modèles, les autres étant utilisés pour évaluer leurs performances, dans le cadre d'une validation croisée.

L'objectif était de vérifier si des algorithmes quantiques peuvent repérer des relations complexes entre symptômes et facteurs de risque, même lorsque les informations disponibles sont rares.

Jusqu'à 91,9 % de bonnes prédictions

Les chercheurs ont comparé trois méthodes d'apprentissage automatique quantique sur cinq environnements informatiques. Le meilleur résultat provient d'un algorithme baptisé Quantum Support Vector Machine (QSVM), exécuté avec la technologie de l'entreprise D-Wave.

Cette approche utilise notamment le recuit quantique, une technique qui exploite des phénomènes quantiques pour rechercher des solutions à des problèmes d'optimisation. Le modèle atteint 94,31 % de prédictions correctes en simulation et 91,90 % sur un véritable ordinateur quantique.

Ces résultats doivent toutefois être interprétés avec prudence car les données utilisées reposent sur des symptômes et des facteurs de risque, sans intégrer de scanners pulmonaires, d'analyses biologiques ou de résultats de biopsies.

De plus, les performances ont été mesurées sur un ensemble de données partiellement synthétiques. Les scientifiques souhaitent désormais tester leurs méthodes sur des bases médicales plus vastes et indépendantes, et intégrer des données d'imagerie et de génomique.

View the original on Futura Sciences →

KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.