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

Technische Samenvatting: Analyse van afbeeldingen van bloedcellen met Quantum Machine Learning-methoden

Probleemstelling
Het artikel behandelt de haalbaarheid van het toepassen van Quantum Machine Learning (QML) op medische beeldvorming in de echte wereld, specifiek de automatische detectie van acute myeloïde leukemie (AML) vanuit microscopische beelden van bloedcellen. Hoewel klassieke diepe convolutionele netwerken (CNN's) een hoge nauwkeurigheid hebben aangetoond in dit domein, vertrouwen zij op backpropagation, een methode die fundamenteel incompatibel is met kwantumsystemen. Backpropagation vereist tussenliggende metingen om gradiënten te berekenen, wat kwantumtoestanden doet instorten en de superpositie en verstrengeling die nodig zijn voor kwantumvoordeel vernietigt. Bovendien vereisen klassieke methoden vaak aanzienlijke computationele middelen en grote geannoteerde datasets, die kostbaar zijn om te verwerven in medische contexten. De studie beoogt te evalueren of QML-algoritmen een concurrerende prestatie kunnen leveren onder strikte beperkingen, waaronder beperkte qubit-bronnen, verminderde beeldresolutie en de afwezigheid van backpropagation.

Methodologie
De auteurs maakten gebruik van de AML-Cytomorphology dataset, bestaande uit 18.365 door experts geannoteerde beelden van enkelvoudige cellen uit bloeduitstrijkjes (100 AML-patiënten, 100 gezonde controles). Om een eerlijke vergelijking tussen alle methoden te garanderen en aan te sluiten bij praktische kwantumbeperkingen, werden de beelden geresize naar 64×64 pixels.

De studie evalueerde twee verschillende benaderingen tegenover klassieke baselines (CNN en Dense Neural Networks):

1. Variational Quantum Circuits (VQC):

   • Architectuur: Een 4-qubit classifier geïmplementeerd via klassieke simulatie met IBM's Qiskit.
   • Inputverwerking: Ruwe afbeeldingen werden omgezet naar grijswaarden, waarna 20 technisch vervaardigde scalaire kenmerken (dekend over intensiteitsstatistieken, GLCM-texturen, morfologie, randmetrieken en FFT-frequentie) werden geëxtraheerd. Deze werden gereduceerd tot 4 dimensies via Principal Component Analysis (PCA) en geschaald om overeen te komen met de domeinen van de rotatiepoorten.
   • Circuitontwerp: Het circuit maakte gebruik van een ZZFeatureMap voor data-encodering om verstrengeling te creëren en een ondiepe RealAmplitudes ansatz (2 lagen, 8 leerbare parameters, diepte 12) die geoptimaliseerd is voor Noisy Intermediate-Scale Quantum (NISQ) apparaten.
   • Training: Een hybride klassiek-kwantumlus werd gebruikt. Het kwantumcircuit fungeerde als een black box; een klassieke optimizer (COBYLA, gradiëntvrij) paste iteratief parameters aan om de gemiddelde kwadratische fout tussen de verwachtingswaarde van de eerste qubit ($\langle Z_0 \rangle$) en de doel-labels te minimaliseren. Dit voorkwam de noodzaak voor kwantumgradiëntberekening.

2. Equilibrium Propagation (EP):

   • Concept: Een door kwantum geïnspireerde, energie-gebaseerde leermethode geïmplementeerd op Hopfield-achtige neurale netwerken met symmetrische gewichten.
   • Mechanisme: EP vermijdt backpropagation volledig. Het traint het netwerk via twee fasen: een "Free Phase" waarin het netwerk tot een evenwichtstoestand komt op basis van de input, en een "Nudged Phase" waarin outputneuronen zwak worden aangepast richting de doel-labels. Gewichtupdates worden afgeleid van het verschil tussen deze twee evenwichtstoestanden.
   • Architectuur: Een gelaagd netwerk (256–128–64 verborgen eenheden met tanh-activaties) getraind met momentum SGD en early stopping.

Experimenteel Protocol
Om de efficiëntie van data te beoordelen, construeerden de auteurs gebalanceerde deelverzamelingen van de dataset met 50, 100, 200 en 250 monsters per klasse. Alle modellen werden geëvalueerd met gestratificeerde 80/20 train-test splits. De VQC- en EP-modellen werden vergeleken met klassieke CNN- en Dense NN-baselines onder identieke experimentele omstandigheden.

Belangrijkste Resultaten

• Prestaties op volledige deelsets (250 monsters/klasse):
  • Klassieke CNN: Behaalde 98,4% nauwkeurigheid (trainingstijd: 745s).
  • Equilibrium Propagation (EP): Behaalde 86,4% nauwkeurigheid (trainingstijd: 89,4s), wat een gat van slechts 12% betekent ten opzien van de CNN zonder backpropagation te gebruiken.
  • Variational Quantum Circuit (VQC): Behaalde 83,0% nauwkeurigheid (trainingstijd: 180s).
• Data-efficiëntie:
  • De VQC vertoonde een opmerkelijke stabiliteit en behield een nauwkeurigheid van 83%, zelfs met slechts 50 monsters per klasse.
  • In tegenstelling hiertoe had de Klassieke CNN 250 monsters per klasse nodig (5× meer data) om zijn piekprestatie van 98,4% te bereiken; bij 50 monsters daalde de nauwkeurigheid van de CNN naar 92%.
  • Dit suggereert dat kwantummethoden mogelijk meer data-efficiënt zijn, een cruciaal voordeel in medische domeinen waar deskundige annotaties schaars zijn.

Betekenis en Claims
Het artikel stelt dat deze resultaten reproduceerbare baselines voor QML in de gezondheidszorg vaststellen, waarmee de haalbaarheid van deze methoden in het NISQ-tijdperk wordt gevalideerd. Belangrijke claims zijn onder meer:

1. Haalbaarheid zonder Backpropagation: Het succes van EP toont aan dat energie-gebaseerd leren een levensvatbaar, kwantumcompatibel alternatief kan zijn voor backpropagation voor het trainen van neurale netwerken op echte klinische data.
2. Data-efficiëntie als Kwantumvoordeel: Hoewel klassieke CNN's momenteel een hogere absolute nauwkeurigheid hebben, benadrukt het vermogen van de VQC om robuuste prestaties te behouden met minimale trainingsdata (50 monsters) een potentieel voordeel voor onderzoek naar zeldzame ziekten waar grote datasets niet beschikbaar zijn.
3. NISQ-Compatibiliteit: Het ondiepe circuitontwerp met een diepte van 12 is expliciet geoptimaliseerd voor huidige hardwarebeperkingen (bijv. IBM Quantum-systemen met ~100 qubits en beperkte coherentietijden), wat suggereert dat experimentele validatie op korte termijn mogelijk is.
4. Implementatie onder Beperkte Middelen: De auteurs merken op dat EP, met de lage inferentietijd (0,13s) en het ontbreken van backpropagation, bijzonder geschikt is voor edge-implementatie op neuromorfische hardware, wat potentieel batterijgestuurde diagnostiek op de plek van zorg (point-of-care) mogelijk maakt.

De auteurs hanteren een bescheiden toon en erkennen dat de huidige resultaten steunen op ideale statevector-simulaties (die geen rekening houden met shot noise of gate-fouten) en dat feature engineering de representatieve capaciteit beperkt in vergelijking met end-to-end CNN's. Zij concluderen dat hoewel klassieke methoden momenteel beter presteren in absolute nauwkeurigheid, kwantummethoden een concurrerende prestatie bieden wanneer de beschikbaarheid van data de beperkende factor is in plaats van de modelcapaciteit.