Benchmarking Quantum and Classical Machine Learning Models on Oncological Data

Sintesi Tecnica: Benchmarking di Modelli di Machine Learning Quantistico e Classico su Dati Oncologici

Definizione del Problema
Il machine learning viene applicato sempre più frequentemente ai dati oncologici per la rilevazione, la diagnosi e il trattamento. Tuttavia, i dati biologici presentano sfide uniche, tra cui l'alta dimensionalità, la limitata diversità dei campioni e le complesse interazioni tra le caratteristiche (la "maledizione della dimensionalità"). Sebbene il machine learning quantistico (QML) sia teoricamente proposto per offrire vantaggi nel gestire tali dati complessi e ad alta dimensionalità, esiste una mancanza di valutazioni empiriche rigorose che dimostrino un pratico vantaggio quantistico. Gli studi esistenti spesso non riescono a distinguere se i limiti delle prestazioni derivino da problemi di ottimizzazione (ad esempio, barren plateaus, minimi locali), dall'espressività intrinseca del modello o dagli schemi di codifica dei dati. Inoltre, i baseline classici in molti lavori precedenti sono stati frequentemente addestrati con iperparametri fissi, lasciando aperta la questione se le loro prestazioni ottimali siano state effettivamente raggiunte.

Metodologia
Gli autori hanno sviluppato un rigoroso framework di benchmarking per confrontare equamente i modelli QML e i modelli di machine learning classico (CML) su dataset oncologici tabulari, omici e spaziali. Lo studio ha utilizzato il framework di machine learning quantistico Red Cedar e reti neurali classiche ottimizzate tramite AutoML.

• Dataset: Lo studio ha valutato tre categorie di dati:
  1. Tabulari: Il dataset Wisconsin Diagnostic Breast Cancer (WDBC).
  2. Omici: Dati di espressione genica dell'mRNA provenienti da The Cancer Genome Atlas (TCGA) per i tumori alla mammella (BRCA), al colon (COAD) e all'ovaio (OV).
  3. Spaziali: Dataset di immagini mediche da MedMNIST (BreastMNIST, PathMNIST, DermaMNIST).
• Pre-elaborazione: Gli autori hanno testato varie strategie di pre-elaborazione, inclusa la selezione delle caratteristiche tramite Random Forest per i dati tabulari/omici e l'estrazione delle caratteristiche tramite ResNet18 per i dati spaziali.
• Modello Quantistico:
  • Codifica: Lo studio ha impiegato la bit-bit encoding, un metodo che codifica classicamente i campioni in bit corrispondenti all'inizializzazione dei qubit e alla lettura. Questo approccio offre proprietà di approssimazione universale, permettendo al modello di raggiungere teoricamente il 100% di accuratezza nell'addestramento senza vincoli di espressività.
  • Architettura: Un'architettura bipartita a strati con nodi di entanglement parametrizzati tra i qubit di etichetta (label) e quelli dei dati.
  • Addestramento: I modelli sono stati addestrati utilizzando la strategia di sub-net initialization e gli exact coordinate updates del framework Red Cedar. Questa strategia di warm-start incrementale evita i barren plateaus ed elimina la necessità di ottimizzatori classici. L'addestramento è proseguito fino al raggiungimento del 100% di accuratezza nell'addestramento o fino al raggiungimento di un limite temporale di cinque giorni.
• Baseline Classica:
  • AutoML: La libreria TPOT2 è stata utilizzata per evolvere architetture di reti neurali e iperparametri ottimali, garantendo che i baseline classici non fossero sottottimizzati.
  • Fasi di Confronto: I modelli classici sono stati addestrati su dati grezzi, dati pre-elaborati e dati bit-bit codificati (sia pre-discretizzati che discretizzati) per garantire un confronto equo tra le diverse rappresentazioni dei dati.
• Stima delle Risorse: È stato calcolato un metrico teorico, $Q_{dataset}(1.0)$. Esso rappresenta il numero di qubit necessari per codificare un dataset in modo che sia teoricamente possibile ottenere il 100% di accuratezza sia nell'addestramento che nel test (ovvero, senza collisioni nello spazio discretizzato). Una soglia di 50 qubit è stata utilizzata come euristica per un potenziale vantaggio quantistico, basata sul plateau delle capacità di simulazione classica.

Risultati Chiave

• Nessuna Evidenza di Vantaggio Quantistico: In tutti i dataset testati (WDBC, omica TCGA e MedMNIST spaziale) e in tutti i metodi di pre-elaborazione, i modelli quantistici non hanno superato le reti neurali classiche ottimizzate tramite AutoML. Le accuratezze di test di entrambe le classi di modelli erano statisticamente indistinguibili entro i margini di errore standard.
• Performance di Addestramento: Tutti i modelli quantistici hanno raggiunto con successo il 100% di accuratezza nell'addestramento, confermando che la metodologia di addestramento ha evitato efficacemente i problemi di ottimizzazione come i barren plateaus. Di conseguenza, la mancanza di vantaggio quantistico non è attribuibile a fallimenti nell'addestramento.
• Generalizzazione: Sia i modelli quantistici che quelli classici non sono riusciti a raggiungere costantemente l'accuratezza massima teorica del test all'aumentare del numero di qubit, in particolare sui dataset con maggiore complessità.
• Risultati della Stima delle Risorse:
  • WDBC e Omica: I valori di $Q_{dataset}(1.0)$ per WDBC (14–15 qubit) e per i dataset omici (15–20 qubit) erano ben al di sotto della soglia di 50 qubit, suggerendo che questi dataset non siano candidati probabili per il vantaggio quantistico.
  • Dataset Spaziali: Alcuni dataset spaziali (ad esempio, BreastMNIST appiattito) si sono avvicinati o hanno superato la soglia di 50 qubit, ma i risultati sono stati incoerenti tra i diversi metodi di pre-elaborazione (ad esempio, ResNet18 rispetto al flattening) e sono stati spesso attribuiti ad artefatti di elaborazione dei dati piuttosto che alla complessità intrinseca.
• Robustezza alla Pre-elaborazione: Il framework di stima delle risorse si è dimostrato robusto alla pre-elaborazione; per i dati omici, la selezione delle caratteristiche tramite Random Forest ha ridotto le caratteristiche del 99,8%, eppure il valore di $Q_{dataset}(1.0)$ è rimasto statisticamente insignificante tra i dataset pre-elaborati e quelli grezzi.

Significatività e Rivendicazioni
Il paper sostiene di aver stabilito un framework più rigoroso per valutare il vantaggio quantistico, analizzando sistematicamente la scalabilità delle prestazioni con la dimensione del modello e impiegando baseline classiche eque, ottimizzate tramite AutoML. La conclusione principale è che gli attuali dataset di benchmark nella letteratura del machine learning quantistico non mostrano evidenza di vantaggio quantistico per la classificazione oncologica.

Gli autori sostengono che il campo debba andare oltre questi esistenti benchmark. Suggeriscono che un progresso significativo verso un pratico vantaggio quantistico richieda l'analisi di dataset a dimensionalità superiore e più biologicamente realistici (ad esempio, multi-omici, multi-modali o serie temporali) che possiedano la potenza rappresentativa e le interazioni di ordine superiore necessarie per sfruttare le proprietà computazionali quantistiche. Lo studio evidenzia come la mancanza di accesso a dati biologici open-source complessi e accessibili rappresenti una barriera per dimostrare l'utilità quantistica nelle scienze della vita.