Compression-Driven Anomaly Detection in Brain MRI Using an Interpretable Quantum Autoencoder

Resumen Técnico: Detección de Anomalías Basada en Compresión en RM Cerebral mediante un Autoencoder Cuántico Interpretable

Planteamiento del Problema
El artículo aborda el desafío de la detección de anomalías no supervisada en imágenes médicas, específicamente para la identificación de tumores cerebrales en resonancias magnéticas (RM). Los enfoques tradicionales de aprendizaje profundo suelen requerir un gran número de parámetros, recursos computacionales sustanciales y carecen de interpretabilidad. Además, la detección de anomalías basada en autoencoders estándar suele depender del error de reconstrucción, lo cual puede ser ambiguo al distinguir entre variaciones normales y desviaciones patológicas. Los autores proponen investigar si las arquitecturas híbridas clásico-cuánticas pueden aprender representaciones significativas de datos de imágenes médicas realistas para detectar desviaciones de una variedad ("manifold") "normal" mediante una compresión de información controlada en lugar de una optimización de reconstrucción explícita.

Metodología
El estudio emplea un Autoencoder Cuántico (QAE) basado en el marco propuesto por Romero et al. [48], adaptado para datos de RM cerebral en escala de grises de alta resolución en formato DICOM.

• Procesamiento de Datos: El conjunto de datos consiste en archivos DICOM públicos que contienen escaneos cerebrales normales y tumorales. Las imágenes se preprocesan a una resolución de 128 × 128, se normalizan y se descomponen en parches superpuestos de 2 × 2. Cada parche se aplana en un vector de 4 dimensiones y se codifica en un estado cuántico de 4 cúbits mediante codificación de ángulo (rotaciones $R_y$).
• Arquitectura: El QAE consta de un codificador parametrizado ($U_\theta$) y un decodificador ($V_\phi$) con topología idéntica pero parámetros independientes. El registro de 4 cúbits se particiona en 2 cúbits latentes y 2 cúbits auxiliares de "basura" (trash qubits).
• Objetivo de Entrenamiento: El modelo se entrena exclusivamente con parches normales (no tumorales). El objetivo es aprender transformaciones unitarias que compriman la información de entrada en el espacio latente mientras se impulsa los cúbits de basura hacia un estado de referencia fijo ($|00\rangle$).
  • Función de Pérdida: El entrenamiento minimiza una "pérdida de basura" (trash loss), definida como $1 - p_{good}$, donde $p_{good}$ es la probabilidad de que los cúbits de basura se midan en el estado $|00\rangle$.
  • Regularización Contrastiva: Para evitar una compresión trivial, se generan pseudo-anomalías mediante corrupción de características (dropout), y un término contrastivo penaliza la alta compresibilidad en estas muestras corruptas.
• Puntuación de Anomalía: Durante la inferencia, la puntuación de anomalía se deriva de la incompresibilidad de la entrada. Específicamente, la puntuación se basa en la probabilidad de que los cúbits de basura no se restablezcan a $|00\rangle$. Se utiliza una puntuación calibrada $s(x) = (1 - p_{good}(x)^\tau$, donde $\tau$ se ajusta en un conjunto de validación.
• Agregación: Dado que los tumores ocupan solo una fracción de un corte de RM, las puntuaciones a nivel de parche se agregan al nivel de corte utilizando una estrategia de agrupación top-$k$ (top-$k$ pooling), seleccionando los parches con mayor puntuación para representar el corte.
• Líneas Base: El QAE se compara contra un autoencoder clásico (CAE) y un Análisis de Componentes Principales (PCA) con dimensiones latentes equivalentes.

Contribuciones Clave
El artículo describe cuatro contribuciones primarias:

1. Aplicación Empírica: Este es uno de los primeros estudios en aplicar un QAE a la detección de anomalías en RM cerebral utilizando datos DICOM de alta resolución, logrando un ROC-AUC a nivel de corte de ~0.95 y un ROC-AUC a nivel de parche de ~0.813.
2. Novedad Metodológica: El enfoque utiliza cúbits de basura para una compresión de información explícita. A diferencia de los métodos clásicos que dependen del error de reconstrucción, las puntuaciones de anomalía aquí reflejan el grado en que las entradas resisten la compresión respecto a la variedad normal aprendida.
3. Interpretabilidad y Análisis de Mecanismo: El estudio proporciona un análisis mecánico de los parámetros cuánticos aprendidos. Revela una pronunciada asimetría codificador-decodificador: la detección de anomalías efectiva surge de la compresión de información estructurada dentro del codificador (específicamente la organización de parámetros capa por capa) en lugar de un aumento en la magnitud de los parámetros o la expresividad del decodificador.
4. Localización Espacial: El marco genera mapas de calor de anomalías localizados espacialmente que se alinean con las regiones tumorales, extendiendo el QAE de un modelo abstracto de espacio latente a una herramienta prácticamente interpretable para el análisis de imágenes médicas.

Resultados

• Rendimiento: El QAE superó tanto al autoencoder clásico como a las líneas base de PCA. El ROC-AUC a nivel de corte alcanzó aproximadamente 0.95, mientras que el AUC a nivel de parche fue de 0.813. En contraste, las líneas base clásicas mostraron distribuciones de puntuación fuertemente superpuestas con AUCs alrededor de 0.56–0.64.
• Compresión-Reconstrucción: El entrenamiento exhibió una clara frontera de Pareto entre la pérdida de basura (compresión) y la infidelidad de reconstrucción. Se identificó un "punto de inflexión" (knee) operativo (en la Época 2), que representa un régimen equilibrado donde una mayor compresión produce rendimientos de reconstrucción decrecientes. Este punto de inflexión proporcionó una base fundamentada para la selección del umbral.
• Análisis de Parámetros: El análisis de energía por capa mostró que el codificador concentra la energía de sus parámetros en la primera capa parametrizada, mientras que el decodificador distribuye la energía uniformemente. Los parámetros del decodificador permanecieron fuertemente concentrados cerca de cero, indicando una reconstrucción correctiva mínima, mientras que el codificador exploró activamente el espacio de parámetros para implementar la compresión.
• Estadísticas de Cúbits: Las distribuciones de magnitud $L_2$ por cúbit mostraron una separación consistente entre muestras normales y anómalas en todos los cuatro cúbits, lo que sugiere que la señal de anomalía está distribuida en la representación latente en lugar de estar localizada en un solo cúbit.
• Validación Visual: La evaluación cualitativa confirmó que los mapas de calor de anomalías generados resaltaban regiones anatómicas específicas correspondientes a tumores, en lugar de indicar variaciones globales difusas de intensidad.

Significancia y Reivindicaciones
El artículo afirma que los autoencoders cuánticos proporcionan un mecanismo interpretable y controlable para la detección de anomalías basado en la incompresibilidad con respecto a una representación latente aprendida.

• Detección Fundamentada: La separación explícita de la compresión (cúbits de basura) de la reconstrucción permite un intercambio controlado y un régimen operativo claro, facilitando la selección de umbrales de manera fundamentada.
• Perspectiva Mecanicista: El estudio demuestra que el rendimiento de la detección de anomalías en los QAE está vinculado a la organización estructurada de los parámetros del codificador, ofreciendo una explicación a nivel de circuito para el compromiso entre compresión y reconstrucción que es menos accesible en las arquitecturas clásicas.
• Utilidad Clínica: Aunque los autores declaran explícitamente que no pretenden alegar una "ventaja cuántica" en términos de velocidad o eficiencia de recursos, postulan que los QAE sirven como una herramienta prometedora para estudiar la dinámica de compresión en el aprendizaje automático cuántico. Los mapas de calor localizados espacialmente sugieren una utilidad potencial como herramienta de apoyo a la decisión para el triaje y el cribado en los flujos de trabajo de imágenes médicas, ayudando a los clínicos a identificar regiones tumorales.
• Limitaciones: Los autores reconocen que el estudio se realizó en un simulador de estado vectorial sin ruido con un número reducido de cúbits y representaciones basadas en parches. Enmarcan su trabajo como una demostración conceptual, señalando que el trabajo futuro debe abordar la escalabilidad, la robustez bajo modelos de ruido realistas y la evaluación en hardware cuántico real.