Un Vision Transformer cuántico explicable guiado por atención para la clasificación de enfermedades pulmonares mediante imágenes de rayos X de tórax Autores: Nyni K. A. - Karunya Institute of Technology & Sciences; Jyothi Engineering College (IN) J. Anitha - Karunya Institute of Technology & Sciences (IN) Jarin T. - Jyothi Engineering College; APJ Abdul Kalam Technological University (IN) Resumen Las enfermedades pulmonares siguen constituyendo un grave problema de salud mundial y contribuyen de forma importante a la mortalidad en todo el mundo. El diagnóstico temprano y preciso de anomalías pulmonares mediante radiografías de tórax es esencial para mejorar el manejo clínico y los resultados de los pacientes. Aunque los modelos de aprendizaje profundo (DL) han logrado un éxito considerable en la clasificación automatizada de enfermedades pulmonares, las redes convolucionales presentan dificultades para captar simultáneamente los patrones patológicos locales y las dependencias contextuales globales. Además, el creciente interés por el aprendizaje automático cuántico ha abierto nuevas vías para mejorar la representación de características y la eficiencia de la clasificación. Para superar estos desafíos, el presente estudio propone una Red Vision Transformer Mejorada Cuánticamente (Quantum-Enhanced Vision Transformer Network, QEViT) para la clasificación automatizada de enfermedades pulmonares a partir de imágenes de rayos X de tórax (CXR). El enfoque propuesto integra EfficientNetB4 para la extracción jerárquica de características, el Convolutional Block Attention Module (CBAM) para el refinamiento de características guiado por atención, Vision Transformer (ViT) para el modelado contextual global y un Circuito Cuántico Variacional (Variational Quantum Circuit, VQC) para la generación de características cuánticas. La eficacia del modelo QEViT propuesto se evaluó utilizando el Lung Disease Dataset y la COVID-19 Radiography Database, alcanzando precisiones de clasificación del 99,8 % y 99,7 %, respectivamente. Los resultados experimentales demostraron que la integración del aprendizaje profundo, los mecanismos de atención, el aprendizaje contextual basado en Transformers y la generación de características cuánticas mejora el rendimiento de la clasificación. Finalmente, se incorporó inteligencia artificial explicable (XAI) mediante Grad-CAM y Score-CAM para proporcionar interpretaciones visuales de las predicciones del modelo. La red QEViT propuesta puede contribuir al análisis automatizado de imágenes CXR para la clasificación de enfermedades pulmonares.