O câncer de pulmão continua sendo a principal causa de mortalidade relacionada ao câncer em todo o mundo, destacando a necessidade urgente de métodos de detecção precoce precisos, eficientes e interpretáveis. Modelos de linguagem grande (LLMs) de referência existentes, como ClinicalBERT e BioBERT, apesar de seus avanços na análise de texto biomédico, enfrentam limitações críticas, incluindo altos custos computacionais, interpretabilidade limitada e dependência de conjuntos de dados anotados extensos que dificultam sua integração clínica. Para abordar esses desafios, propomos o modelo de Memória de Longo Prazo de Atenção Híbrida Quântica (A-QLSTM-A), uma nova estrutura quântico-clássica que combina circuitos variacionais quânticos com redes LSTM e mecanismos de atenção dual. Esse design melhora a extração de características, aprimora a interpretabilidade e oferece um caminho arquitetônico mais eficiente. Avaliado em resumos de alta de MIMIC-III e relatórios de radiografia torácica do MIMIC-IV, o A-QLSTM-A alcançou 98,32% e 83,67% de precisão, respectivamente, superando os modelos existentes. Este estudo estabelece um novo padrão para IA escalável e interpretável na medicina de precisão, oferecendo uma ferramenta promissora para a detecção precoce do câncer de pulmão e suporte à decisão clínica.
Kesiku et al. (Quarta-feira,) estudaram esta questão.