Analyzing Images of Blood Cells with Quantum Machine Learning Methods: Equilibrium Propagation and Variational Quantum Circuits to Detect Acute Myeloid Leukemia

Résumé technique : Analyse d'images de cellules sanguines avec des méthodes d'apprentissage automatique quantique

Énoncé du problème
L'article traite de la faisabilité de l'application de l'apprentissage automatique quantique (QML) à l'imagerie médicale réelle, plus précisément à la détection automatisée de la leucémie aiguë myéloïde (LAM) à partir d'images de microscopie de cellules sanguines. Bien que les réseaux convolutifs profonds (CNN) classiques aient démontré une grande précision dans ce domaine, ils reposent sur la rétropropagation, une méthode fondamentalement incompatible avec les systèmes quantiques. La rétropropagation nécessite des mesures intermédiaires pour calculer les gradients, ce qui provoque l'effondrement des états quantiques et détruit la superposition et l'intrication nécessaires à l'avantage quantique. De plus, les méthodes classiques exigent souvent des ressources de calcul substantielles et de grands ensembles de données annotés, qui sont coûteux à acquérir dans les contextes médicaux. L'étude vise à évaluer si les algorithmes de QML peuvent atteindre des performances compétitives sous des contraintes sévères, notamment des ressources de qubits limitées, une résolution d'image réduite et l'absence de rétropropagation.

Méthodologie
Les auteurs ont utilisé le jeu de données AML-Cytomorphology, comprenant 18 365 images de frottis sanguins de cellules uniques annotées par des experts (100 patients atteints de LAM, 100 témoins sains). Pour garantir une comparaison équitable entre toutes les méthodes et s'aligner sur les contraintes quantiques pratiques, les images ont été redimensionnées à 64×64 pixels.

L'étude a évalué deux approches distinctes par rapport aux bases classiques (CNN et réseaux de neurones denses) :

1. Circuits Quantiques Variationnels (VQC) :

   • Architecture : Un classificateur à 4 qubits implémenté via une simulation classique à l'aide de Qiskit d'IBM.
   • Traitement des entrées : Les images brutes ont été converties en niveaux de gris, et 20 caractéristiques scalaires ingénierées (couvrant les statistiques d'intensité, les textures GLCM, la morphologie, les métriques de bord et la fréquence FFT) ont été extraites. Celles-ci ont été réduites à 4 dimensions via une analyse en composantes principales (PCA) et mises à l'échelle pour correspondre aux domaines des portes de rotation.
   • Conception du circuit : Le circuit utilise une ZZFeatureMap pour l'encodage des données afin de créer l'intrication, ainsi qu'un ansatz RealAmplitudes peu profond (2 couches, 8 paramètres entraînables, profondeur 12) optimisé pour les dispositifs NISQ (Noisy Intermediate-Scale Quantum).
   • Entraînement : Une boucle hybride classique-quantique a été utilisée. Le circuit quantique agissait comme une boîte noire ; un optimiseur classique (COBYLA, sans gradient) ajustait de manière itérative les paramètres pour minimiser l'erreur quadratique moyenne entre la valeur d'espérance du premier qubit ($\langle Z_0 \rangle$) et les étiquettes cibles. Cela permettait d'éviter le calcul de gradient quantique.

2. Propagation de l'Équilibre (EP) :

   • Concept : Une méthode d'apprentissage inspirée du quantique, basée sur l'énergie, implémentée sur des réseaux de neurones de type Hopfield avec des poids symétriques.
   • Mécanisme : L'EP évite entièrement la rétropropagation. Elle entraîne le réseau à travers deux phases : une « Phase Libre » où le réseau se stabilise vers un état d'équilibre basé sur l'entrée, et une « Phase Poussée » où les neurones de sortie sont faiblement ajustés vers les étiquettes cibles. Les mises à jour des poids sont dérivées de la différence entre ces deux états d'équilibre.
   • Architecture : Un réseau multicouche (unités cachées 256–128–64 avec des activations tanh) entraîné à l'aide de la descente de gradient stochastique (SGD) avec momentum et de l'arrêt précoce (early stopping).

Protocole Expérimental
Pour évaluer l'efficacité des données, les auteurs ont construit des sous-ensembles équilibrés du jeu de données contenant 50, 100, 200 et 250 échantillons par classe. Tous les modèles ont été évalués à l'aide de divisions entraînement/test stratifiées de 80/20. Les modèles VQC et EP ont été comparés aux bases classiques CNN et réseaux de neurones denses dans des conditions expérimentales identiques.

Résultats Clés

• Performance sur les sous-ensembles complets (250 échantillons/classe) :
  • CNN Classique : A atteint 98,4 % de précision (temps d'entraînement : 745s).
  • Propagation de l'Équilibre (EP) : A atteint 86,4 % de précision (temps d'entraînement : 89,4s), représentant un écart de seulement 12 % par rapport au CNN sans utiliser la rétropropagation.
  • Circuit Quantique Variationnel (VQC) : A atteint 83,0 % de précision (temps d'entraînement : 180s).
• Efficacité des données :
  • Le VQC a démontré une stabilité remarquable, maintenant une précision de 83 % même avec seulement 50 échantillons par classe.
  • En revanche, le CNN Classique nécessitait 250 échantillons par classe (5 fois plus de données) pour atteindre sa performance maximale de 98,4 % ; à 50 échantillons, la précision du CNN chutait à 92 %.
  • Cela suggère que les méthodes quantiques peuvent être plus efficaces en termes de données, un avantage critique dans les domaines médicaux où les annotations d'experts sont rares.

Signification et Revendications
L'article pose que ces résultats établissent des bases reproductibles pour le QML dans la santé, validant la faisabilité de ces méthodes dans l'ère NISQ. Les principales revendications incluent :

1. Faisabilité sans Rétropropagation : Le succès de l'EP démontre que l'apprentissage basé sur l'énergie peut servir d'alternative viable et compatible avec le quantique à la rétropropagation pour l'entraînement de réseaux neuronaux sur des données cliniques réelles.
2. L'Efficacité des Données comme Avantage Quantique : Bien que les CNN classiques détiennent actuellement une précision absolue plus élevée, la capacité du VQC à maintenir des performances robustes avec un minimum de données d'entraînement (50 échantillons) souligne un avantage potentiel pour la recherche sur les maladies rares où les grands ensembles de données sont indisponibles.
3. Compatibilité NISQ : La conception du circuit peu profond de profondeur 12 est explicitement optimisée pour les contraintes matérielles actuelles (par exemple, les systèmes IBM Quantum avec environ 100 qubits et des temps de cohérence limités), suggérant qu'une validation expérimentale à court terme est possible.
4. Déploiement en Ressources Contraintes : Les auteurs notent que l'EP, avec son faible temps d'inférence (0,13s) et son absence de rétropropagation, est particulièrement adaptée au déploiement sur le matériel neuromorphique, permettant potentiellement des diagnostics de soins de proximité alimentés par batterie.

Les auteurs maintiennent un ton modeste, reconnaissant que les résultats actuels reposent sur des simulations d'état vectoriel idéales (qui ne tiennent pas compte du bruit de tir ou des erreurs de porte) et que l'ingénierie des caractéristiques limite la capacité de représentation par rapport aux CNN de bout en bout. Ils concluent que, bien que les méthodes classiques surpassent actuellement les méthodes quantiques en précision absolue, les méthodes quantiques offrent des performances compétitives lorsque la disponibilité des données est la ressource limitante plutôt que la capacité du modèle.