Melhorar a exatidão da classificação da imagem OCT (tomografia de coerência óptica) em 2D e 3D entre 2,5% e 5% a partir de algoritmos quânticos de IA que melhorem os algoritmos convencionais empregados até o momento, reduzindo o número de 100 falsos negativos e falsos positivos.

Reduzir o tempo de processamento de imagens médicas entre 15% e 30%. O processamento pode envolver tanto transformações feitas na imagem (mudança de cor ou textura) quanto alimentar um algoritmo (mudança de resolução). Para entender corretamente a magnitude dessa redução, é necessário pensar em uma ordem de magnitude de processamento superior a 10.000 imagens.

Compreender o funcionamento e a lógica das redes neurais quânticas para ir além do estado da arte e identificar as técnicas que melhor resultado dão no campo da imagem médica e, mais especificamente, na imagem OCT. Para isso, será investigado sobre circuitos quânticos no campo da IA a partir de técnicas existentes como Quantum Machine Learning, Hybrid Convolutional Neural Network ou Quantum Neural Network, entre outras, e serão realizadas comparações utilizando diferentes conjuntos de dados de imagens médicas que resultarão em variações nos resultados das métricas. A seleção das técnicas mais adequadas permitirá um aumento na eficiência do processo de leitura de imagens, transformação ou extração de características e carregamento em algoritmos.

Otimizar a eficiência energética. A IA quântica tem o potencial de acelerar os algoritmos de segmentação, uma vez que é possível explorar múltiplas soluções simultaneamente, graças à superposição de probabilidade de estados (mistura entre 0 e 1), melhorando a eficiência computacional na busca de regiões de interesse. Esse aumento na eficiência energética beneficiará diretamente o meio ambiente e, além disso, permitirá uma atenção médica também mais eficiente.