Riepilogo Tecnico: Miglioramento della Classificazione delle Cellule Ematiche mediante Reti Neurali Ibride Quantistiche

Enunciato del Problema

La classificazione accurata delle cellule ematiche microscopiche rimane una sfida critica nell'analisi delle immagini mediche. Sebbene le Reti Neurali Convoluzionali (CNN) abbiano in gran parte sostituito la revisione manuale, esse affrontano limitazioni distinte nei compiti di classificazione fine. Nello specifico, le CNN faticano con differenze morfologiche sottili, tratti visivi sovrapposti (ad esempio, distinguere i monociti dai neutrofili) e un'alta variabilità intra-classe. Inoltre, i modelli di deep learning standard sono vincolati dai limiti matematici degli spazi vettoriali classici, che possono limitare la loro capacità di mappare correlazioni complesse e non lineari intrinseche nelle immagini biomediche ad alta dimensionalità. Gli autori ipotizzano che le Reti Neurali Ibride Quantistiche-Classiche (HQNN) possano sfruttare lo spazio di Hilbert ad alta dimensionalità e l'entanglement quantistico per migliorare la rappresentazione delle caratteristiche e risolvere questi casi ambigui.

Metodologia

Lo studio propone un'architettura HQNN modulare progettata per isolare il contributo specifico delle trasformazioni delle caratteristiche quantistiche. Il sistema segue una pipeline a tre stadi:

1. Estrazione delle Caratteristiche: Un backbone ResNet-50 pre-addestrato (inizializzato con pesi ImageNet) estrae caratteristiche visive di alto livello dalle immagini di input (256x256x3). Il livello di classificazione finale viene rimosso, producendo un vettore di caratteristiche a 2048 dimensioni.
2. Riduzione della Dimensionalità: Un livello completamente connesso riduce il vettore a 2048 dimensioni a uno spazio latente a 10 dimensioni. Viene applicata un'attivazione tangente iperbolica ($tanh$) per delimitare i valori, facilitando la codifica quantistica basata sugli angoli.
3. Trasformazione Intermedia e Classificazione: Questa è la fase variabile in cui vengono confrontate tre architetture distinte:
   • Modello HQNN: Il vettore latente a 10 dimensioni viene codificato in uno stato quantistico utilizzando l'Incorporamento Angolare (rotazioni attorno all'asse Y). Viene elaborato da un Circuito Quantistico Variazionale (VQC) composto da 10 qubit e 4 livelli addestrabili. Ogni livello applica rotazioni $RY$ addestrabili seguite da un pattern strutturato ad anello di porte Controlled-NOT (CNOT) per l'entanglement. L'output viene misurato tramite valori di aspettazione di Pauli-Z, producendo un vettore di caratteristiche quantistiche a 10 dimensioni.
   • Modello Classico Corrispondente: Il circuito quantistico viene sostituito da un blocco non lineare classico (trasformazione lineare + $tanh$) con un numero di parametri comparabile (110 parametri) rispetto al livello quantistico (40 parametri).
   • Baseline Classica: La fase di trasformazione intermedia viene rimossa completamente, passando il vettore latente direttamente al classificatore.

Tutti i modelli condividono un identico capo di classificazione leggero (32 unità nascoste, ReLU, Dropout) e vengono addestrati utilizzando la Funzione di Perdita Focal con smoothing delle etichette, ottimizzatore Adam e schedulazione del tasso di apprendimento con annealing cosinusoide.

Contributi Chiave

Il documento apporta quattro contributi principali:

1. Framework di Confronto Controllato: Un'architettura modulare che controlla rigorosamente le variabili (backbone, dimensione del collo di bottiglia, capo del classificatore) per isolare l'effetto della fase di trasformazione intermedia (quantistica vs classica).
2. Baseline Classiche Corrette: Introduzione di un "Modello Classico Corrispondente" con un ulteriore livello non lineare di capacità comparabile al circuito quantistico, garantendo che i guadagni di prestazioni non siano attribuiti semplicemente all'aumento del numero di parametri.
3. Validazione su Hardware Reale: Esecuzione del modello HQNN su hardware quantistico IBM (nello specifico il backend ibm_fez) per valutare la robustezza in condizioni di rumore e vincoli hardware realistici, andando oltre la simulazione software.
4. Analisi Empirica del Vantaggio Quantistico: Quantificazione dei guadagni di prestazioni specificamente in scenari di classificazione difficili caratterizzati da alta variabilità intra-classe e differenze inter-classe sottili.

Risultati Sperimentali

I modelli sono stati valutati su due dataset pubblici: il Blood Cell Images Dataset (4 classi) e il Peripheral Blood Cell (PBC) Dataset (8 classi).

• Blood Cell Images Dataset (4 Classi):

  • Il modello HQNN ha raggiunto un Macro F1-score di 0,9153, superando il Modello Classico Corrispondente (0,8862) e la Baseline Classica (0,8784).
  • Ciò rappresenta un miglioramento di circa 3,7% rispetto alla baseline.
  • L'HQNN ha mostrato i guadagni più significativi nel distinguere classi difficili come neutrofili e monociti, riducendo la confusione tra tipi cellulari visivamente simili.

• Dataset PBC (8 Classi):

  • Le prestazioni erano vicine alla saturazione per tutti i modelli a causa delle caratteristiche del dataset.
  • L'HQNN ha comunque raggiunto le metriche più alte: Accuratezza di 0,9967 e Macro F1-score di 0,9869, superando leggermente il Modello Classico Corrispondente (0,9854) e la Baseline (0,9851).
  • Sono stati osservati miglioramenti in classi impegnative come granulociti immaturi e neutrofili.

• Efficienza dei Dati:

  • Quando addestrato su solo il 25% del dataset Blood Cell Images, l'HQNN ha mantenuto un chiaro vantaggio (94,55% di accuratezza, 89,33% di F1) rispetto alle controparti classiche, suggerendo robustezza in scenari con scarsità di dati.

• Validazione Hardware:

  • Su hardware quantistico IBM reale, il modello ha subito un modesto degrado delle prestazioni (~2,5–3%) rispetto al simulatore senza rumore (Accuratezza: 0,9000 vs 0,9250).
  • Nonostante il rumore, il modello è rimasto robusto, in particolare per classi ben separate come i linfociti, confermando la fattibilità delle HQNN sui dispositivi quantistici intermedi su scala rumorosa (NISQ) attuali.

Significato e Affermazioni

Il documento afferma che i suoi risultati validano i benefici tangibili delle trasformazioni delle caratteristiche quantistiche nell'imaging medico, specificamente per risolvere compiti di classificazione complessi in cui i modelli classici faticano. Adottando un disegno sperimentale rigoroso e controllato, gli autori dimostrano che i miglioramenti di prestazioni osservati derivano dalle distinte proprietà di trasformazione del livello quantistico piuttosto che semplicemente dall'aggiunta di più parametri.

Lo studio conclude che, mentre i modelli classici si avvicinano ai limiti di prestazioni in dataset ben curati, le HQNN offrono guadagni consistenti e misurabili nell'equilibrio per classe e nel potere discriminativo, in particolare in scenari di classificazione fine. Il dispiegamento riuscito su hardware reale supporta ulteriormente il potenziale pratico dell'integrazione dell'apprendimento potenziato quantistico nei futuri strumenti diagnostici clinici, a condizione che vengano affrontate le sfide relative al rumore hardware e alla scalabilità.