Riepilogo Tecnico: FQPDR – Rete Neurale Quantistica Federata per la Rilevazione Precoce e Riservata della Retinopatia Diabetica

1. Enunciato del Problema

La Retinopatia Diabetica (DR) è una delle principali cause di cecità tra i pazienti diabetici, e la rilevazione precoce è fondamentale per prevenire danni oculari irreversibili. Il primo segno della DR è la presenza di microaneurismi (MA), che sono puntini minuscoli e a basso contrasto, rendendone la rilevazione un compito impegnativo.

Gli attuali approcci di deep learning, in particolare le Reti Neurali Convoluzionali (CNN), presentano limitazioni significative:

• Intensità delle Risorse: Richiedono un gran numero di parametri apprendibili e molta memoria, portando a un'elevata complessità temporale.
• Privacy dei Dati: L'addestramento centralizzato richiede l'aggregazione di dati medici sensibili dei pazienti su un server centrale, esponendo a rischi di violazioni dei dati e violando le normative sulla privacy.
• Scarsità dei Dati: Acquisire dati medici annotati sufficienti è laborioso, eppure un addestramento efficace richiede spesso grandi dataset.

2. Metodologia

Gli autori propongono FQPDR, un sistema di Rete Neurale Quantistica Federata (QNN) progettato per la rilevazione precoce della DR che preserva la privacy. La metodologia integra tre componenti fondamentali:

2.1 Architettura della Rete Neurale Quantistica (QNN)

Invece di neuroni classici, il modello utilizza un Circuito Quantistico Parametrizzato (PQC).

• Codifica dei Dati: Il sistema impiega la Codifica in Ampiezza per convertire patch di immagini classiche (dimensione 7x6x3, per un totale di 126 pixel) in stati quantistici. Vengono aggiunti due bit zero per raggiungere 128 ($2^7$) bit, permettendo la rappresentazione da un sistema a 7 qubit.
• Progettazione del Circuito: Gli autori propongono una topologia di circuito Nearest Neighbor (NN) multistrato e leggera. Il circuito è costituito da strati alternati di porte di rotazione $RY$ e porte di entanglement Controlled-X (CNOT).
• Parametri: Il modello è estremamente leggero, utilizzando solo 15 parametri apprendibili (14 angoli di rotazione e 1 bias).
• Ottimizzazione: Il sistema valuta gli ottimizzatori Gradient Descent, Nesterov Momentum e Adam. L'ottimizzatore Adam è selezionato come il più efficace per l'addestramento dei parametri della QNN.

2.2 Framework di Federated Learning (FL)

Per affrontare le preoccupazioni sulla privacy, la QNN viene addestrata all'interno di un'architettura di Federated Learning:

• Addestramento Decentralizzato: I modelli locali vengono addestrati su dispositivi periferici (client) utilizzando dati locali dei pazienti. I dati grezzi non lasciano mai il dispositivo locale.
• Aggregazione: Solo i parametri del modello (pesi) vengono condivisi con un server federato centrale.
• Modello Globale: Il server aggrega i modelli locali utilizzando un approccio di media ponderata (i pesi sono assegnati in base alle prestazioni del modello locale) per creare un modello globale, che viene poi ridistribuito ai client per un ulteriore addestramento.
• Privacy: Questo garantisce che le immagini mediche sensibili rimangano sui nodi locali, beneficiando al contempo di un modello globale diversificato.

2.3 Dettagli di Implementazione

• Dataset: Il sistema è stato implementato e validato utilizzando tre dataset con risoluzioni variabili:
  • E-ophtha: Immagini del fondo oculare ad alta risoluzione (colpite da MA e prive di MA).
  • Retina MNIST: Immagini a bassa risoluzione (28x28).
  • Kaggle: Dataset su larga scala utilizzato per la validazione incrociata.
• Ambiente: Gli esperimenti sono stati eseguiti utilizzando PennyLane su Google Colaboratory e AWS Braket (simulando hardware quantistico).
• Compito: Il sistema si concentra sulla rilevazione della DR lieve (microaneurismi) classificando le patch di immagini come "colpite" o "sane".

3. Contributi Chiave

Il documento delinea i seguenti contributi specifici:

1. Architettura Innovativa: Sviluppo di un sistema QNN Federato (FQPDR) per la rilevazione precoce della DR utilizzando immagini retiniche dai dataset E-ophtha, Kaggle e MNIST.
2. Preservazione della Privacy: Implementazione di un framework di federated learning per garantire la privacy dei dati medici, consentendo l'addestramento del modello senza trasferire dati grezzi dei pazienti a un repository centrale.
3. Efficienza dei Parametri: Dimostrazione che una QNN con pochi parametri (15) può apprendere efficacemente le correlazioni delle caratteristiche da campioni limitati, affrontando la sfida della scarsità di dati medici annotati.
4. Analisi delle Prestazioni: Un confronto completo del FQPDR proposto rispetto a metodi classici esistenti non federati e federati, nonché a CNN classiche con parametri limitati.

4. Risultati Sperimentali

Lo studio ha valutato il sistema utilizzando Accuratezza, Precisione, Recall, F1-Score e Specificità.

• Prestazioni dell'Ottimizzatore: Tra gli ottimizzatori testati, Adam ha prodotto le prestazioni più elevate. Per il dataset E-ophtha utilizzando l'ottimizzatore Adam, la QNN Federata ha raggiunto un'accuratezza di validazione dell'89,74%, superando la QNN Non-FL (88,46%) e la CNN classica a parametri limitati (85,62%).
• Convergenza: Il modello QNN ha convergito più velocemente della CNN classica, richiedendo meno epoche (24 epoche per QNN contro 62 per CNN) per raggiungere un'accuratezza comparabile o migliore.
• Validazione Incrociata: I modelli addestrati su E-ophtha e Retina MNIST sono stati validati incrociatamente sul dataset Kaggle. Il sistema ha dimostrato robustezza nella rilevazione della DR lieve, identificando correttamente 17 immagini su 19 di DR lieve nel set Kaggle utilizzando il modello addestrato su E-ophtha.
• Confronto con Metodi Classici:
  • Il FQPDR proposto utilizza solo 15 parametri, mentre un metodo FL classico comparabile (Jagan Mohan et al., 2023) richiedeva 968.005 parametri.
  • Nonostante la drastica riduzione dei parametri, FQPDR ha raggiunto un'accuratezza competitiva (89,74% contro il 98,6% del metodo classico, sebbene il metodo classico abbia utilizzato un dataset molto più grande e un pre-processing diverso).
• Valutazione Qualitativa: Un oftalmologo abilitato ha valutato le previsioni del sistema su immagini di test. I risultati sono stati descritti come "ispiratori", con il sistema che mostra un'alta capacità di apprendere annotazioni dal dataset.

5. Significato e Affermazioni

Gli autori affermano che il sistema FQPDR offre una soluzione leggera, sicura e intelligente per l'Internet of Medical Things (IoMT).

• Efficienza: Sfruttando la sovrapposizione e l'entanglement quantistici, la QNN cattura modelli intricati con significativamente meno parametri e un minore sovraccarico computazionale rispetto alle CNN classiche.
• Scalabilità e Privacy: L'approccio federato consente un addestramento scalabile su dispositivi periferici distribuiti senza compromettere la privacy dei dati dei pazienti, rendendolo adatto per applicazioni di telemedicina.
• Passaggio Fondamentale: Il documento posiziona questo lavoro come un approccio fondamentale per la classificazione di immagini retiniche utilizzando QNN federate. Riconosce le limitazioni attuali, come l'alto costo e la limitata accessibilità dell'hardware quantistico, il rumore nei qubit e la complessità dell'addestramento ibrido classico-quantistico. Tuttavia, afferma che, man mano che l'hardware quantistico migliora, questa architettura ha un potenziale significativo per rivoluzionare la diagnostica medica.

Il documento conclude che l'integrazione del Federated Learning con le Reti Neurali Quantistiche offre una via promettente per la rilevazione precoce e riservata della Retinopatia Diabetica, in particolare in ambienti con risorse limitate o sensibili alla privacy.