FDTD-Based Synthetic Dataset Generation and Quantum Ensemble Learning for Enhanced Microwave Tumor Localization

Resumen Técnico: Generación de Conjuntos de Datos Sintéticos Basados en FDTD y Aprendizaje de Ensamble Cuántico para la Localización Mejorada de Tumores por Microondas

Planteamiento del Problema
La imagen por microondas ofrece una alternativa no invasiva y no ionizante para la detección de tumores (particularmente en cáncer de mama y piel) mediante el aprovechamiento del contraste dieléctrico entre tejidos sanos y malignos. Sin embargo, la adopción clínica del aprendizaje automático (ML) para esta modalidad se ve obstaculizada por dos desafíos principales:

1. Escasez de Datos: Existe una grave falta de conjuntos de datos clínicos etiquetados y de gran tamaño necesarios para entrenar modelos de ML robustos. La recopilación de tales datos implica aprobaciones éticas complejas y altos costos de hardware.
2. Complejidad de la Señal: El cuerpo humano presenta un entorno de propagación complejo. Las reflexiones intensas en las interfaces piel-aire y piel-grasa (el efecto "skin-flash") a menudo oscurecen las señales de dispersión más débiles provenientes de tumores profundos. Además, diferenciar variaciones sutiles entre subtipos de tumores (por ejemplo, diferentes profundidades o intensidades dieléctricas) crea límites de decisión superpuestos que desafían a los clasificadores tradicionales.

Metodología
La investigación propone un marco híbrido que combina la electromagnética computacional con el Aprendizaje Automático Cuántico (QML) para abordar estos desafíos.

1. Generación de Conjunto de Datos Sintéticos (FDTD):

   • Motor de Simulación: El estudio utiliza el método de Diferencias Finitas en el Dominio del Tiempo (FDTD) a través del software de código abierto MEEP para resolver las ecuaciones de Maxwell en una rejilla discretizada.
   • Realismo Físico: Una rejilla cartesiana 2D modela capas biológicas estratificadas (epidermis, dermis, grasa) con espesores y propiedades dieléctricas aleatorizadas. Los tumores malignos se modelan como objetos cilíndricos con permitividad y conductividad elevadas.
   • Imagen Diferencial: Para aislar las señales de los tumores, el marco emplea una técnica de imagen diferencial. Ejecuta dos simulaciones: una "línea base" (solo tejido sano) y una "objetivo" (tejido con tumor). Los campos electromagnéticos se restan vectorialmente para cancelar las reflexiones dominantes del "skin-flash", dejando una señal residual dominada por la dispersión del tumor.
   • Adquisición de Datos: Una configuración MIMO multiestática (4 transmisores, 16 receptores) captura datos de dispersión complejos. El conjunto de datos consta de 1,500 muestras con 128 características (partes real e imaginaria de los campos retrodispersados a 6.0 GHz), aumentadas con ruido térmico empírico ($10^{-6}$ de magnitud) para simular imperfecciones del hardware.

2. Modelos de Aprendizaje Automático Cuántico:
   El estudio evalúa tres arquitecturas cuánticas distintas y una línea base clásica (RBF-SVM):

   • SVM de Núcleo Cuántico (QK-SVM): Utiliza un circuito SWAP-TEST para estimar la matriz de núcleo en un espacio de Hilbert de alta dimensión, mapeando las características clásicas a estados cuánticos mediante codificación de amplitud.
   • Clasificador de Fusión de Multi-Codificador Cuántico (QMEFC): Un circuito variacional de registro dual que codifica por separado los componentes reales (magnitud) e imaginarios (fase) de la señal en dos registros de 3 cúbits, fusionándolos mediante operaciones CNOT transversales para preservar las relaciones fase-magnitud.
   • Clasificador de Puertas Cuánticas Variacional (VQGC): Trata la matriz MIMO como un grafo bipartito (transmisores y receptores como nodos). Utiliza un ansatz inspirado en QAOA de 8 cúbits con estrategias de entrelazamiento reflejadas en el hardware.
   • Red Residual Espacial Híbrida Cuántica (HQ-SRN): Una arquitectura híbrida donde una ResNet 1D clásica con bloques de Compresión y Excitación (Squeeze-and-Excitation) extrae características espaciales de los datos MIMO. Estas características son luego comprimidas y enviadas a un Circuito Cuántico Variacional de Re-carga de Datos de 10 cúbits.

3. Ensamblado de Fusión (QPFC-E):
   Para superar las limitaciones de los modelos individuales al distinguir subtipos de tumores superpuestos (T1 vs. T2), los autores proponen el Clasificador de Ensamblado de Fusión Potenciado por Cuántica (QPFC-E).

   • Fusión de Creencia de Dempster-Shafer (DS): En lugar de un simple promedio, este método trata las salidas de los modelos como fuentes independientes de evidencia. Utiliza la teoría DS para combinar las masas de creencia, penalizando explícitamente las predicciones conflictivas.
   • Confianza Ponderada por AUC: La fusión se pondera por el rendimiento histórico de Macro AUC-ROC de cada modelo, asegurando que los modelos más fiables ejerzan una mayor influencia en la decisión final.

Contribuciones Clave

• Pipeline Sintético Robusto: Desarrollo de un pipeline automatizado basado en FDTD utilizando MEEP para generar conjuntos de datos de dispersión de microondas de alta fidelidad, evitando la necesidad de una recolección inmediata de datos clínicos a gran escala.
• Análisis Comparativo de QML: Una evaluación detallada de modelos cuánticos individuales (QK-SVM, QMEFC, VQGC, HQ-SRN) frente a un modelo clásico (RBF-SVM) para datos de microondas multiestáticos, identificando las fortalezas y debilidades de diferentes estrategias de codificación cuántica y variacional.
• Nuevo Marco de Ensamblado: Introducción del QPFC-E, que integra la fusión de creencia DS con parámetros de confianza ponderados por AUC. Este enfoque aborda específicamente el problema de "bajo recall" asociado con clases de tumores difíciles que suelen ser mal clasificadas por modelos únicos.

Resultados
Los modelos fueron evaluados en un conjunto de prueba de 300 muestras (Sano, T1 y T2 clases).

• Línea Base Clásica: El RBF-SVM logró un 83.33% de precisión pero tuvo dificultades significativas con la clase T1 (Recall: 38.0%), clasificando frecuentemente T1 como T2.
• Modelos Cuánticos Individuales:
  • QK-SVM: Mejoró la precisión al 84.33% y el recall de T1 al 41.0%.
  • QMEFC: Logró un 77.00% de precisión con un bajo recall de T1 (20.0%).
  • VQGC: Alcanzó un 82.33% de precisión con un 34.0% de recall de T1.
  • HQ-SRN: El mejor ejecutor individual con un 86.67% de precisión y un recall de T1 de 62.5%, demostrando el valor de la extracción de características espaciales híbridas.
• Desempeño del Ensamblado (QPFC-E): El marco de fusión propuesto logró una precisión general del 87.00% y un Macro AUC-ROC de 0.9354. Crucialmente, mejoró el recall para la difícil clase T1 al 61.3% (comparado con el 38.0% de la línea base clásica) manteniendo una alta precisión. El ensamblado logró estabilizar las predicciones para firmas malignas ambiguas que los modelos individuales no pudieron resolver.

Significado y Reivindicaciones
El artículo sostiene que la integración de simulaciones FDTD de alta fidelidad con el aprendizaje de ensamblado cuántico ofrece una vía viable para mejorar la localización de tumores por microondas.

• Solución a la Escasez de Datos: El estudio demuestra que los datos sintéticos generados mediante simulaciones diferenciales FDTD pueden entrenar eficazmente modelos de ML complejos, abordando el cuello de botella de los limitados datos clínicos.
• Ventaja Cuántica: Aunque los modelos cuánticos individuales mostraron mejoras marginales sobre las líneas base clásicas, el enfoque de ensamblado superó significativamente a los modelos individuales, particularmente en la resolución de los límites no lineales y superpuestos entre subtipos de tumores.
• Potencial Clínico: El marco proporciona una herramienta de diagnóstico no ionizante y de bajo costo con alta sensibilidad a cambios dieléctricos sutiles. Los autores sugieren que, a medida que el hardware cuántico madure, estos algoritmos híbridos podrían desplegarse en dispositivos de escala intermedia ruidosa (NISQ) para diagnósticos de cáncer en tiempo real y en el punto de atención.

Los autores mantienen la modestia respecto al despliegue clínico inmediato, señalando que los resultados actuales se basan en datos sintéticos con ruido añadido. El trabajo futuro se dirige hacia el modelado anatómico 3D y la validación en fantomas físicos y conjuntos de datos clínicos reales.