Cet article démontre le potentiel de l'apprentissage par transfert quantique (QTL) pour le diagnostic de la démence. Alors que les approches conventionnelles d'apprentissage automatique et d'apprentissage profond sont confrontées à des limitations de calcul et de performance dans les données biomédicales de grande dimension et les ensembles de données à grande échelle, QML offre un apprentissage plus rapide et des capacités de reconnaissance de formes améliorées. Cette étude vise à améliorer les performances de détection de la démence (classification binaire) en appliquant QTL à des modèles d'apprentissage profond conventionnels peu performants. À l'aide du jeu de données OASIS 2, nous démontrons comment les techniques quantiques peuvent transformer des modèles conventionnels non optimisés en solutions plus efficaces pour la classification d'images biomédicales, soulignant ainsi les implications potentielles pour le progrès des technologies médicales. De plus, nous étudions l'influence du bruit afin d'évaluer la fiabilité et la robustesse de l'approche basée sur QTL.
