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

Sintesi Tecnica: Analisi di immagini di cellule ematiche con metodi di Quantum Machine Learning

Definizione del Problema
Il documento affronta la fattibilità dell'applicazione del Quantum Machine Learning (QML) all'imaging medico reale, specificamente al rilevamento automatizzato della Leucemia Mieloide Acuta (LMA) da immagini microscopiche di cellule ematiche. Sebbene le reti convoluzionali profonde (CNN) classiche abbiano dimostrato un'elevata accuratezza in questo dominio, esse si affidano alla backpropagation, un metodo fondamentalmente incompatibile con i sistemi quantistici. La backpropagation richiede misurazioni intermedie per calcolare i gradienti, le quali causano il collasso degli stati quantistici e distruggono la sovrapposizione e l'entanglement necessari per il vantaggio quantistico. Inoltre, i metodi classici richiedono spesso risorse computazionali sostanziali e grandi dataset annotati, che sono costosi da acquisire in contesti medici. Lo studio mira a valutare se gli algoritmi QML possano raggiungere prestazioni competitive sotto severi vincoli, inclusi limitate risorse di qubit, risoluzione delle immagini ridotta e l'assenza di backpropagation.

Metodologia
Gli autori hanno utilizzato il dataset AML-Cytomorphology, composto da 18.365 immagini di strisci ematici a singola cellula annotate da esperti (100 pazienti con LMA, 100 controlli sani). Per garantire un confronto equo tra tutti i metodi e allinearsi ai vincoli pratici quantistici, le immagini sono state ridimensionate a 64×64 pixel.

Lo studio ha valutato due approcci distinti rispetto ai baseline classici (CNN e Reti Neurali Dense):

1. Circuiti Quantistici Variazionali (VQC):

   • Architettura: Un classificatore a 4 qubit implementato tramite simulazione classica utilizzando IBM Qiskit.
   • Elaborazione dell'input: Le immagini grezze sono state convertite in scala di grigi e sono state estratte 20 caratteristiche scalari ingegnerizzate (che coprono statistiche di intensità, texture GLCM, morfologia, metriche dei bordi e frequenza FFT). Queste sono state ridotte a 4 dimensioni tramite Analisi delle Componenti Principali (PCA) e riscalate per corrispondere ai domini delle porte di rotazione.
   • Design del circuito: Il circuito ha impiegato una ZZFeatureMap per la codifica dei dati al fine di creare entanglement, e un ansatz RealAmplitudes poco profondo (2 layer, 8 parametri addestrabili, profondità 12) ottimizzato per dispositivi Noisy Intermediate-Scale Quantum (NISQ).
   • Addestramento: È stato utilizzato un loop ibrido classico-quantistico. Il circuito quantistico agiva come una "black box"; un ottimizzatore classico (COBYLA, privo di gradienti) ha regolato iterativamente i parametri per minimizzare l'errore quadratico medio tra il valore di aspettativa del primo qubit ($\langle Z_0 \rangle$) e i target delle etichette. Ciò ha evitato la necessità di calcolare il gradiente quantistico.

2. Equilibrium Propagation (EP):

   • Concetto: Un metodo di apprendimento ispirato al quantum, basato sull'energia, implementato su reti neurali di tipo Hopfield con pesi simmetrici.
   • Meccanismo: L'EP evita completamente la backpropagation. Addestra la rete attraverso due fasi: una "Fase Libera" in cui la rete si assesta a uno stato di equilibrio basato sull'input, e una "Fase Stimolata" (Nudged Phase) in cui i neuroni di output vengono debolmente aggiustati verso le etichette target. Gli aggiornamenti dei pesi sono derivati dalla differenza tra questi due stati di equilibrio.
   • Architettura: Una rete a strati (256–128–64 unità nascoste con attivazioni tanh) addestrata utilizzando momentum SGD ed early stopping.

Protocollo Sperimentale
Per valutare l'efficienza dei dati, gli autori hanno costruito sottoinsiemi bilanciati del dataset contenenti 50, 100, 200 e 250 campioni per classe. Tutti i modelli sono stati valutati utilizzando split train-test stratificati 80/20. I modelli VQC ed EP sono stati confrontati con i baseline classici CNN e Dense NN sotto identiche condizioni sperimentali.

Risultati Chiave

• Performance sugli interi sottoinsiemi (250 campioni/classe):
  • CNN Classica: Ha raggiunto il 98,4% di accuratezza (tempo di addestramento: 745s).
  • Equilibrium Propagation (EP): Ha raggiunto l'86,4% di accuratezza (tempo di addestramento: 89,4s), rappresentando un divario di solo il 12% rispetto alla CNN senza utilizzare la backpropagation.
  • Circuito Quantistico Variazionale (VQC): Ha raggiunto l'83,0% di accuratezza (tempo di addestramento: 180s).
• Efficienza dei Dati:
  • Il VQC ha dimostrato una straordinaria stabilità, mantenendo un'accuratezza dell'83% anche con soli 50 campioni per classe.
  • Al contrario, la CNN Classica ha richiesto 250 campioni per classe (5 volte più dati) per raggiungere la sua performance massima del 98,4%; a 50 campioni, l'accuratezza della CNN è scesa al 92%.
  • Ciò suggerisce che i metodi quantistici possano essere più efficienti dal punto di vista dei dati, un vantaggio critico nei domini medici dove le annotazioni degli esperti sono scarse.

Significatività e Rivendicazioni
Il documento sostiene che questi risultati stabiliscono baseline riproducibili per il QML nell'assistenza sanitaria, validando la fattibilità di questi metodi nell'era NISQ. Le rivendicazioni chiave includono:

1. Fattibilità senza Backpropagation: Il successo di EP dimostra che l'apprendimento basato sull'energia può servire come un'alternativa valida e compatibile con il quantum alla backpropagation per l'addestramento di reti neurali su dati clinici reali.
2. L'Efficienza dei Dati come Vantaggio Quantistico: Sebbene le CNN classiche detengano attualmente un'accuratezza assoluta superiore, la capacità del VQC di mantenere una performance robusta con un minimo di dati di addestramento (50 campioni) evidenzia un potenziale vantaggio per la ricerca sulle malattie rare dove i grandi dataset non sono disponibili.
3. Compatibilità NISQ: Il design del circuito a profondità 12 è esplicitamente ottimizzato per gli attuali vincoli hardware (ad esempio, sistemi IBM Quantum con circa 100 qubit e tempi di coerenza limitati), suggerendo che la validazione sperimentale a breve termine è possibile.
4. Distribuzione in Ambienti con Risorse Limitate: Gli autori notano che l'EP, con il suo basso tempo di inferenza (0,13s) e l'assenza di backpropagation, è particolarmente adatto per l'implementazione edge su hardware neuromorfico, consentendo potenzialmente diagnosi point-of-care alimentate a batteria.

Gli autori mantengono un tono modesto, riconoscendo che gli attuali risultati si basano su simulazioni ideali dello stato vettoriale (che non tengono conto del rumore di shot o degli errori di gate) e che l'ingegneria delle caratteristiche limita la capacità rappresentativa rispetto alle CNN end-to-end. Concludono che, sebbene i metodi classici superino attualmente i metodi quantistici in termini di accuratezza assoluta, i metodi quantistici offrono prestazioni competitive quando la disponibilità di dati è la risorsa limitante piuttosto che la capacità del modello.