Benchmarking Quantum and Classical Machine Learning Models on Oncological Data

Resumen Técnico: Evaluación Comparativa de Modelos de Aprendizaje Automático Cuántico y Clásico en Datos Oncológicos

Planteamiento del Problema
El aprendizaje automático se aplica cada vez más a los datos oncológicos para la detección, el diagnóstico y el tratamiento. Sin embargo, los datos biológicos presentan desafíos únicos, incluyendo la alta dimensionalidad, la diversidad limitada de muestras y las complejas interacciones de características (la "maldición de la dimensionalidad"). Si bien se propone teóricamente que el aprendizaje automático cuántico (QML) ofrece ventajas para manejar tales datos complejos y de alta dimensión, existe una falta de evaluación empírica rigurosa que demuestre una ventaja cuántica práctica. Los estudios existentes a menudo no logran desentrañar si las limitaciones de rendimiento se deben a problemas de optimización (por ejemplo, mesetas estériles o barren plateaus, mínimos locales), la expresividad intrínseca del modelo o los esquemas de codificación de datos. Además, las líneas base clásicas en trabajos previos son frecuentemente entrenadas con hiperparámetros fijos, lo que deja abierta la pregunta de si se ha alcanzado su rendimiento óptimo.

Metodología
Los autores desarrollaron un marco de evaluación comparativa riguroso para comparar de manera justa los modelos de QML y de aprendizaje automático clásico (CML) a través de conjuntos de datos oncológicos tabulares, ómicos y espaciales. El estudio utilizó el marco de aprendizaje automático cuántico Red Cedar y redes neuronales clásicas optimizadas mediante AutoML.

• Conjuntos de Datos: El estudio evaluó tres categorías de datos:
  1. Tabulares: El conjunto de datos Wisconsin Diagnostic Breast Cancer (WDBC).
  2. Ómicos: Datos de expresión de ARNm genómico de The Cancer Genome Atlas (TCGA) para cáncer de mama (BRCA), colon (COAD) y ovario (OV).
  3. Espaciales: Conjuntos de datos de imágenes médicas de MedMNIST (BreastMNIST, PathMNIST, DermaMNIST).
• Preprocesamiento: Los autores probaron varias estrategias de preprocesamiento, incluyendo la selección de características mediante random forest para datos tabulares/ómicos y la extracción de características mediante ResNet18 para datos espaciales.
• Modelo Cuántico:
  • Codificación: El estudio empleó codificación bit-bit, un método que codifica clásicamente las muestras en bits correspondientes a la inicialización y lectura de los cúbits. Este enfoque ofrece propiedades de aproximación universal, lo que permite al modelo alcanzar teóricamente un 100% de precisión de entrenamiento sin restricciones de expresividad.
  • Arquitectura: Una arquitectura bipartita por capas con nodos de entrelazamiento parametrizados entre los cúbits de etiqueta y de datos.
  • Entrenamiento: Los modelos se entrenaron utilizando la estrategia de inicialización de sub-redes y actualizaciones de coordenadas exactas del marco Red Cedar. Esta estrategia de arranque en caliente (warm-start) incremental evita las mesetas estériles y elimina la necesidad de optimizadores clásicos. El entrenamiento continuó hasta alcanzar el 100% de precisión de entrenamiento o hasta alcanzar un límite de cinco días.
• Línea Base Clásica:
  • AutoML: Se utilizó la biblioteca TPOT2 para evolucionar arquitecturas de redes neuronales e hiperparámetros óptimos, asegurando que las líneas base clásicas no estuvieran suboptimizadas.
  • Etapas de Comparación: Los modelos clásicos fueron entrenados en datos brutos, datos preprocesados y datos codificados bit-bit (tanto pre-discretizados como discretizados) para asegurar una comparación justa entre las representaciones de datos.
• Estimación de Recursos: Se calculó una métrica teórica, $Q_{dataset}(1.0)$. Esto representa el número de cúbits requeridos para codificar un conjunto de datos de tal manera que sea teóricamente posible alcanzar un 100% de precisión en entrenamiento y prueba (es decir, sin colisiones en el espacio discretizado). Se utilizó un umbral de 50 cúbits como heurística para una potencial ventaja cuántica, basado en la meseta de las capacidades de simulación clásica.

Resultos Clave

• Sin Evidencia de Ventaja Cuántica: En todos los conjuntos de datos probados (WDBC, TCaga ómicos y MedMNIST espaciales) y métodos de preprocesamiento, los modelos cuánticos no superaron a las redes neuronales clásicas optimizadas mediante AutoML. Las precisiones de prueba de ambas clases de modelos fueron estadísticamente indistinguibles dentro de los márgenes de error estándar.
• Rendimiento de Entrenamiento: Todos los modelos cuánticos alcanzaron con éxito el 100% de precisión de entrenamiento, confirmando que la metodología de entrenamiento evitó eficazmente los problemas de optimización como las mesetas estériles. Por consiguiente, la falta de ventaja cuántica no se atribuyó a fallos de entrenamiento.
• Generalización: Tanto los modelos cuánticos como los clásicos no lograron alcanzar consistentemente la precisión máxima teórica de prueba a medida que aumentaba el número de cúbits, particularmente en conjuntos de datos con mayor complejidad.
• Hallazgos de la Estimación de Recursos:
  • WDBC y Ómicos: Los valores de $Q_{dataset}(1.0)$ para WDBC (14–15 cúbits) y los conjuntos de datos ómicos (15–20 cúbits) estuvieron muy por debajo del umbral de 50 cúbits, lo que sugiere que estos conjuntos de datos no son candidatos probables para la ventaja cuántica.
  • Conjuntos de Datos Espaciales: Algunos conjuntos de datos espaciales (por ejemplo, BreastMNIST aplanado) se acercaron o superaron el umbral de 50 cúbits, pero los resultados fueron inconsistentes entre los métodos de preprocesamiento (por ejemplo, ResNet18 frente a aplanamiento) y a menudo se atribuyeron a artefactos del procesamiento de datos en lugar de a la complejidad intrínseca.
• Robustez al Preprocesamiento: El marco de estimación de recursos resultó robusto al preprocesamiento; para los datos ómicos, la selección de características por random forest redujo las características en un 99.8%, sin embargo, el $Q_{dataset}(1.0)$ se mantuvo estadísticamente insignificante entre los conjuntos de datos preprocesados y los brutos.

Significancia y Reivindicaciones
El artículo afirma establecer un marco más riguroso para evaluar la ventaja cuántica mediante el análisis sistemático del escalado del rendimiento con el tamaño del modelo y el empleo de líneas base clásicas justas y optimizadas mediante AutoML. La conclusión principal es que los conjuntos de datos de referencia actuales en la literatura de aprendizaje automático cuántico no exhiben evidencia de ventaja cuántica para la clasificación oncológica.

Los autores argumentan que el campo debe ir más allá de estos bancos de pruebas existentes. Sugieren que el progreso significativo hacia una ventaja cuántica práctica requiere analizar conjuntos de datos de mayor dimensión y más realistas desde el punto de vista biológico (por ejemplo, multi-ómicos, multi-modales o de series temporales) que posean la capacidad de representación y las interacciones de orden superior necesarias para aprovechar las propiedades computacionales cuánticas. El estudio destaca que la actual falta de acceso a datos biológicos complejos y de código abierto es una barrera para demostrar la utilidad cuántica en las ciencias de la vida.