Enhancing Blood Cells Classification using Hybrid Quantum Neural Networks

Dieser Artikel schlägt eine Hybrid-Quanten-Klassische-Neuronale-Netzwerk-(HQNN)-Architektur vor, die einen vortrainierten ResNet-50-Rückgrat mit einem variationellen Quantenschaltkreis integriert und eine überlegene Leistung bei der Klassifizierung von Blutzellen sowie eine höhere Robustheit gegenüber Rauschen im Vergleich zu klassischen Baselines auf öffentlichen Datensätzen und IBM-Quantenhardware demonstriert.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Arzt, der versucht, verschiedene Arten winziger Blutzellen unter einem Mikroskop zu identifizieren. Manche Zellen sehen sich fast identisch an – wie Zwillinge, die leicht unterschiedliche Hüte tragen. Traditionell waren Computer (unter Verwendung „klassischen" Deep Learning) darin sehr gut, doch manchmal geraten sie in Verwirrung, wenn die Unterschiede extrem subtil sind.

Diese Arbeit stellt eine große Frage: Was wäre, wenn wir dem Computer eine „Quanten-Superkraft" geben würden, um ihm zu helfen, diese winzigen Unterschiede besser zu erkennen?

Hier ist die Geschichte ihres Experiments, einfach erklärt:

1. Der Aufbau: Ein Dreibein-Rennen

Um sicherzustellen, dass der Test fair war, verglichen die Forscher nicht einfach einen „Quantencomputer" mit einem „normalen Computer". Das wäre unfair gewesen, denn der Quantencomputer könnte einfach größer sein oder mehr Teile haben.

Stattdessen bauten sie drei identische Teams, die in jeder Hinsicht genau gleich waren, außer in einem spezifischen Schritt ihres Denkprozesses:

• Team A (Die Basis): Der Computer betrachtet die Zelle, vereinfacht das Bild und rät sofort den Typ.
• Team B (Das klassische Matched): Der Computer betrachtet die Zelle, vereinfacht das Bild und leitet es dann durch eine zusätzliche „Denkschicht" (eine Standard-Mathematik-Schicht), bevor er rät. Dies stellt sicher, dass, wenn Team B besser abschneidet, dies nur daran liegt, dass es mehr Mathematik hatte, nicht an Magie.
• Team C (Das hybride Quantenteam): Der Computer betrachtet die Zelle, vereinfacht das Bild und leitet es dann durch eine Quanten-„Denkschicht".

Die Analogie: Stellen Sie sich drei Schüler vor, die eine Prüfung schreiben.

• Schüler A liest die Frage und schreibt die Antwort.
• Schüler B liest die Frage, denkt 5 Sekunden lang mit einem Standardrechner darüber nach und schreibt die Antwort.
• Schüler C liest die Frage, denkt 5 Sekunden lang mit einem Quantenrechner darüber nach und schreibt die Antwort.

Die Forscher wollten sehen, ob der Quantenrechner (Schüler C) tatsächlich half, die kniffligen Teile besser zu lösen als der Standardrechner (Schüler B).

2. Die „Quantenschicht": Eine neue Art von Linse

Wie funktioniert der Quantenteil?
Stellen Sie sich das „Gehirn" des Computers als einen Raum vor, in dem es Informationen organisiert.

• Klassische Computer organisieren Daten wie Bücher auf einem Regal: ein Buch neben dem anderen.
• Quantencomputer können Daten wie ein Kaleidoskop organisieren. Dank eines Phänomens namens „Verschränkung" können sie alle Teile des Bildes gleichzeitig aus vielen verschiedenen Blickwinkeln betrachten.

In dieser Studie fungiert die „Quantenschicht" wie eine spezielle Linse, die das vereinfachte Bild der Blutzelle nimmt und in diese Kaleidoskop-Ansicht verwandelt. Die Hoffnung ist, dass diese Ansicht die Unterschiede zwischen „Zwilling"-Zellen (wie Monozyten und Neutrophilen) viel klarer macht.

3. Die Ergebnisse: Wer gewann?

Die Forscher testeten diese Teams an zwei verschiedenen Sätzen von Blutzellenbildern:

1. Der „Leichte" Satz (4 Zelltypen): Das ist wie die Unterscheidung zwischen einer Katze, einem Hund, einem Vogel und einem Fisch.
2. Der „Schwere" Satz (8 Zelltypen): Das ist wie die Unterscheidung zwischen 8 verschiedenen Hunderassen, die sich alle sehr ähnlich sehen.

Die Erkenntnisse:

• Im „Leichten" Satz: Das Quantenteam (Team C) gewann klar. Es erhielt etwa 3,7 % mehr richtige Antworten als die anderen Teams. Es war besonders gut darin, die kniffligen „Zwilling"-Zellen zu unterscheiden.
• Im „Schweren" Satz: Alle leisteten bereits hervorragende Arbeit (nahezu perfekte Ergebnisse). Dennoch gelang es dem Quantenteam, noch ein winziges bisschen mehr Genauigkeit herauszuquetschen. Es war das einzige Team, das nicht in einem „Unentschieden" mit den anderen stecken blieb; es verbesserte sich leicht weiter, selbst wenn die Dinge bereits fast perfekt waren.
• Der „Realitäts-Test": Die Forscher führten das Quantenteam auch auf einem tatsächlichen physikalischen Quantencomputer (von IBM hergestellt) aus, anstatt nur eine Simulation zu nutzen.
  • Der Haken: Echte Quantencomputer sind derzeit etwas „rauschbehaftet" (wie das Versuch, ein Flüstern in einem windigen Raum zu hören).
  • Das Ergebnis: Die Leistung sank aufgrund des Rauschens ein wenig, aber das Modell war dennoch robust. Es stürzte nicht ab; es wurde nur etwas weniger genau. Dies beweist, dass die Idee auch auf echter, unvollkommener Hardware funktioniert.

4. Die große Erkenntnis

Die Arbeit kommt zu dem Schluss, dass Quanten-Maschinenlernen nicht nur Hype ist.

Als die Forscher das Quantenteam mit dem Team der „zusätzlichen Denkschicht" (Team B) verglichen, stellten sie fest, dass das Quantenteam besser abschnitt. Dies beweist, dass die Verbesserung nicht nur daran lag, dass sie mehr Mathematik hinzufügten; es lag daran, dass die Quantenmathematik selbst besser darin war, diese winzigen, subtilen Unterschiede in Blutzellen zu erkennen.

Kurz gesagt: Indem sie eine Quanten-„Linse" verwendeten, um Blutzellen zu betrachten, wurde der Computer zu einem besseren Detektiv, insbesondere wenn die Verdächtigen (die Zellen) fast genau gleich aussahen. Dies deutet darauf hin, dass diese hybriden Systeme in der Zukunft Ärzten helfen könnten, Krankheiten schneller und genauer zu diagnostizieren, insbesondere in den kniffligen Fällen, in denen menschliche Augen oder Standardcomputer verwirrt werden könnten.

Technische Zusammenfassung

Technischer Überblick: Verbesserung der Klassifizierung von Blutzellen mittels hybrider quantenmechanischer neuronaler Netze

Problemstellung

Die präzise Klassifizierung mikroskopischer Blutzellen bleibt eine kritische Herausforderung in der medizinischen Bildanalyse. Obwohl Faltungsneuronale Netze (CNNs) die manuelle Überprüfung weitgehend ersetzt haben, stoßen sie bei feinabgestuften Klassifizierungsaufgaben auf deutliche Grenzen. Insbesondere haben CNNs Schwierigkeiten mit subtilen morphologischen Unterschieden, überlappenden visuellen Merkmalen (z. B. der Unterscheidung von Monozyten von Neutrophilen) und einer hohen Intra-Klassen-Variabilität. Darüber hinaus sind Standard-Modelle des Deep Learnings durch die mathematischen Grenzen klassischer Vektorräume eingeschränkt, was ihre Fähigkeit einschränken kann, komplexe, nichtlineare Korrelationen abzubilden, die in hochdimensionalen biomedizinischen Bildern inhärent sind. Die Autoren gehen davon aus, dass Hybride Quanten-Klassische Neuronale Netze (HQNNs) den hochdimensionalen Hilbertraum und die Quantenverschränkung nutzen könnten, um die Merkmalsrepräsentation zu verbessern und diese mehrdeutigen Fälle zu lösen.

Methodik

Die Studie schlägt eine modulare HQNN-Architektur vor, die entwickelt wurde, um den spezifischen Beitrag quantenmechanischer Merkmals Transformationen zu isolieren. Das System folgt einer dreistufigen Pipeline:

1. Merkmalsextraktion: Ein vortrainierter ResNet-50-Backbone (initialisiert mit ImageNet-Gewichten) extrahiert hochrangige visuelle Merkmale aus Eingabebildern (256x256x3). Die letzte Klassifizierungsschicht wird entfernt, wodurch ein 2048-dimensionaler Merkmalsvektor ausgegeben wird.
2. Dimensionsreduktion: Eine vollvernetzte Schicht reduziert den 2048-dimensionalen Vektor auf einen 10-dimensionalen latenten Raum. Eine hyperbolische Tangens-Aktivierung ($tanh$) wird angewendet, um die Werte zu begrenzen und eine winkelbasierte Quantenkodierung zu erleichtern.
3. Zwischentransformation und Klassifizierung: Dies ist die variable Stufe, in der drei verschiedene Architekturen verglichen werden:
   • HQNN-Modell: Der 10-dimensionale latente Vektor wird unter Verwendung von Winkel-Embedding (Rotationen um die Y-Achse) in einen Quantenzustand kodiert. Er wird von einem Variational Quantum Circuit (VQC) verarbeitet, der aus 10 Qubits und 4 trainierbaren Schichten besteht. Jede Schicht wendet trainierbare $RY$-Rotationen an, gefolgt von einem ringförmigen Muster von Controlled-NOT (CNOT)-Gattern zur Verschränkung. Das Ergebnis wird über Erwartungswerte von Pauli-Z gemessen, wodurch ein 10-dimensionaler quantenmechanischer Merkmalsvektor entsteht.
   • Klassisches abgestimmtes Modell: Der Quantenschaltkreis wird durch einen klassischen nichtlinearen Block (lineare Transformation + $tanh$) mit einer vergleichbaren Parameteranzahl (110 Parameter) zur Quantenschicht (40 Parameter) ersetzt.
   • Klassische Baseline: Die Stufe der Zwischentransformation wird vollständig entfernt, wobei der latente Vektor direkt an den Klassifikator weitergeleitet wird.

Alle Modelle teilen einen identischen leichten Klassifizierungskopf (32 versteckte Einheiten, ReLU, Dropout) und werden unter Verwendung von Focal Loss mit Label-Smoothing, dem Adam-Optimierer und einem Lernraten-Scheduling mit kosinusförmiger Abkühlung trainiert.

Hauptbeiträge

Die Arbeit leistet vier primäre Beiträge:

1. Gesteuertes Vergleichsframework: Eine modulare Architektur, die Variablen streng kontrolliert (Backbone, Flaschenhalsgröße, Klassifikationskopf), um den Effekt der Stufe der Zwischentransformation (Quanten vs. klassisch) zu isolieren.
2. Faire klassische Baselines: Einführung eines „Klassischen abgestimmten Modells" mit einer zusätzlichen nichtlinearen Schicht vergleichbarer Kapazität zum Quantenschaltkreis, um sicherzustellen, dass Leistungsgewinne nicht lediglich auf eine erhöhte Parameteranzahl zurückgeführt werden.
3. Validierung durch reale Hardware: Ausführung des HQNN-Modells auf IBM-Quantenhardware (speziell dem Backend ibm_fez), um die Robustheit unter realistischen Rauschbedingungen und Hardwareeinschränkungen zu bewerten und über die Softwaresimulation hinauszugehen.
4. Empirische Analyse des Quantenvorteils: Quantifizierung von Leistungsgewinnen speziell in herausfordernden Klassifizierungsszenarien, die durch hohe Intra-Klassen-Variabilität und subtile Inter-Klassen-Unterschiede gekennzeichnet sind.

Experimentelle Ergebnisse

Die Modelle wurden auf zwei öffentlichen Datensätzen evaluiert: dem Blood Cell Images Dataset (4 Klassen) und dem Peripheral Blood Cell (PBC) Dataset (8 Klassen).

• Blood Cell Images Dataset (4 Klassen):

  • Das HQNN-Modell erreichte einen Macro F1-Score von 0,9153 und übertraf damit das Klassische abgestimmte Modell (0,8862) und die Klassische Baseline (0,8784).
  • Dies entspricht einer Verbesserung von ungefähr 3,7 % gegenüber der Baseline.
  • Das HQNN zeigte die signifikantesten Gewinne bei der Unterscheidung schwieriger Klassen wie Neutrophiler und Monozyten und reduzierte die Verwechslung zwischen visuell ähnlichen Zelltypen.

• PBC-Datensatz (8 Klassen):

  • Die Leistung war für alle Modelle aufgrund der Eigenschaften des Datensatzes nahezu gesättigt.
  • Das HQNN erreichte dennoch die höchsten Metriken: Genauigkeit von 0,9967 und Macro F1-Score von 0,9869, wobei es das Klassische abgestimmte Modell (0,9854) und die Baseline (0,9851) leicht übertraf.
  • Verbesserungen wurden bei herausfordernden Klassen wie unreifen Granulozyten und Neutrophilen beobachtet.

• Dateneffizienz:

  • Wenn nur mit 25 % des Blood Cell Images-Datensatzes trainiert wurde, behielt das HQNN einen klaren Vorteil (94,55 % Genauigkeit, 89,33 % F1) gegenüber klassischen Gegenstücken, was auf Robustheit in datenarmen Szenarien hindeutet.

• Hardware-Validierung:

  • Auf echter IBM-Quantenhardware erlebte das Modell eine moderate Leistungsverschlechterung (~2,5–3 %) im Vergleich zum rauschfreien Simulator (Genauigkeit: 0,9000 vs. 0,9250).
  • Trotz des Rauschens blieb das Modell robust, insbesondere für gut getrennte Klassen wie Lymphozyten, was die Machbarkeit von HQNNs auf aktuellen Noisy Intermediate-Scale Quantum (NISQ)-Geräten bestätigt.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass ihre Ergebnisse die greifbaren Vorteile quantenmechanischer Merkmals Transformationen in der medizinischen Bildgebung validieren, speziell für die Lösung komplexer Klassifizierungsaufgaben, bei denen klassische Modelle Schwierigkeiten haben. Durch den Einsatz eines rigorosen, kontrollierten experimentellen Designs demonstrieren die Autoren, dass die beobachteten Leistungsverbesserungen aus den unterschiedlichen Transformations eigenschaften der Quantenschicht resultieren und nicht einfach aus der Hinzufügung weiterer Parameter.

Die Studie kommt zu dem Schluss, dass klassische Modelle in gut kuratierten Datensätzen zwar ihre Leistungsgrenzen erreichen, HQNNs jedoch konsistente, messbare Gewinne in der Klassenbalance und diskriminativen Kraft bieten, insbesondere in feinabgestuften Szenarien. Der erfolgreiche Einsatz auf echter Hardware unterstützt zudem das praktische Potenzial der Integration quantenverbesserter Lernverfahren in zukünftige klinische Diagnosewerkzeuge, sofern die Herausforderungen durch Hardware-Rauschen und Skalierbarkeit adressiert werden.