Hybrid Quantum Neural Networks for Enhanced Breast Cancer Thermographic Classification: A Novel Quantum-Classical Integration Approach

Technische Samenvatting: Hybride Kwantum-Neurale Netwerken voor Borstkankerclassificatie

1. Probleemstelling

De diagnose van borstkanker via thermografische beeldanalyse is een kritieke uitdaging in de medische kunstmatige intelligentie. Hoewel klassieke diepe leermodellen (zoals Convolutional Neural Networks of CNN's) succesvol zijn, ondervinden ze beperkingen bij het classificeren van complexe thermische patronen.

• Beperkingen van klassieke AI: Klassieke modellen worstelen vaak met de representatiecapaciteit van features in hoge-dimensionale medische data en kunnen subtiel onderscheid maken tussen hoog-overeenkomstige klassen (normaal vs. maligne weefsel).
• Klinische noodzaak: Handmatige interpretatie is tijdrovend en subjectief. Er is behoefte aan systemen die sneller, nauwkeuriger en objectiever zijn, met name om vroege detectie te verbeteren (waarbij de 5-jaarsoverlevingskans boven de 90% ligt).
• Kennislacune: Bestaand onderzoek naar Quantum Machine Learning (QML) focust vaak op kleine "toy"-datasets of vereenvoudigde problemen, zonder een uitgebreide vergelijking met state-of-the-art klassieke architecturen op realistische medische datasets.

2. Methodologie

De auteurs stellen een nieuw architectuur voor: een Hybride Kwantum-Neuraal Netwerk (HQNN). Dit systeem integreert kwantumrekenprincipes met klassieke convolutie-netwerken.

• Dataset:

  • Gebruik van de "Breast Cancer Detection Using Thermography" dataset (Kaggle).
  • Geselecteerd: 262 representatieve samples (132 normaal, 130 maligne) uit 762 beschikbare beelden.
  • Verdeling: 80% training (209 samples), 20% validatie (53 samples), en een aparte testset van 50 samples.
  • Preprocessing: Herformaat naar 64x64 pixels, intensiteitsnormalisatie (ImageNet-statistieken) en data-augmentatie (rotatie, spiegeling, contrastaanpassing).

• HQNN Architectuur:
  De architectuur bestaat uit vier hoofdcomponenten die synergetisch werken:

  1. Klassieke Feature Extractie: Een drie-laags CNN (Conv2d + BatchNorm + LeakyReLU + MaxPool) reduceert de input (64x64x3) naar een compacte feature vector (8x8x128).
  2. Multi-Head Self-Attention: Een mechanisme met 4 attention heads dat de meest discriminerende features selecteert via globale average pooling.
  3. Cross-Attention & Kwantum Encoding: Een innovatief mechanisme dat klassieke CNN-features koppelt aan leerbare kwantum-embeddings. Dit creëert "kwantumbewuste" features die worden gemapt naar de kwantumruimte.
  4. Kwantum Circuit Laag:
     • Opzet: 4 qubits met 2 variational layers.
     • Encoding: Hoek-encoding (Angle Encoding) via $R_X$-rotaties.
     • Circuit: Bestaat uit trainbare rotatiegates ($R_Y$) en sterk verstrekkende CNOT-gates om kwantumcorrelaties te creëren.
     • Output: Verwachtingswaarden van Pauli-Z-operatoren.
  5. Classificatie Hoofd: Een volledig verbonden netwerk (FCN) verwerkt de kwantumoutput voor de uiteindelijke binair classificatie.

• Baselines:
  De HQNN wordt vergeleken met twee gevestigde klassieke modellen: EfficientNet-B0 en ResNet-50, getraind met identieke hyperparameters voor eerlijke vergelijking.

3. Belangrijkste Bijdragen

• Nieuwe Architectuur: Introductie van een HQNN die multi-head attention koppelt aan een 4-qubit variational circuit voor borstkankerthermografie.
• Empirisch Bewijs: Systematische vergelijking op een realistische medische dataset, wat een gat in de literatuur opvult (vaak beperkt tot simulaties op kleine datasets).
• Kwantumvoordeel: Demonstratie dat kwantumverstrengeling en superpositie leiden tot betere feature-representatie en snellere convergentie in complexe medische taken.
• Praktische Richtlijnen: Analyse van de trade-offs tussen circuitgrootte (aantal qubits/lagen) en trainbaarheid, waarbij een 4-qubit/2-laag configuratie als optimaal wordt aanbevolen voor deze toepassing.

4. Resultaten

De experimentele validatie toont aanzienlijke prestatieverbeteringen van de HQNN ten opzichte van klassieke modellen:

• Prestatie-Metrics (Validatie):

  • HQNN: 98,11% nauwkeurigheid, 97,85% precisie, 98,42% recall, F1-score 98,13%.
  • ResNet-50: 88,68% nauwkeurigheid.
  • EfficientNet: 81,13% nauwkeurigheid.
  • Verbetering: +9,43% t.o.v. ResNet-50 en +17% t.o.v. EfficientNet (statistisch significant, p < 0,001).

• Trainingsdynamiek:

  • De HQNN toont een "doorbraak-leerpatroon" (breakthrough learning): na een plateau van 62% stijgt de nauwkeurigheid plotseling naar 96%+ in epoch 8, wat wijst op het vermogen om lokale minima te ontlopen via kwantumtunneling.
  • De AUC (Area Under Curve) van de HQNN is 0,991 tegenover 0,847 voor EfficientNet.

• Efficiëntie:

  • Hoewel de training per epoch langer duurt door kwantumsimulatie, vereist de HQNN minder totale epochs voor convergentie.
  • De HQNN heeft 60% minder parameters (2,1M) dan EfficientNet (5,3M) en ResNet-50 (25,6M), wat het model lichter maakt ondanks de kwantumcomponent.

• Feature Separatie:

  • t-SNE visualisaties tonen duidelijk gescheiden clusters voor normale en maligne weefsels, wat aangeeft dat de kwantumverwerking meer discriminerende features leert dan klassieke benaderingen.

5. Betekenis en Conclusie

Dit onderzoek levert overtuigend bewijs voor het kwantumvoordeel in de medische beeldclassificatie, zelfs binnen de beperkingen van huidige NISQ (Noisy Intermediate-Scale Quantum) technologie en klassieke simulatie.

• Klinische Impact: De hoge precisie (100% bij maligne detectie in de test) en recall (97% bij normaal weefsel) minimaliseren zowel vals-positieven als vals-negatieven, wat cruciaal is voor klinische beslissingen.
• Toekomstperspectief: Hoewel de huidige resultaten gebaseerd zijn op simulatie, biedt de HQNN een robuust raamwerk voor de integratie van kwantumcomputing in gezondheidszorg. Toekomstig werk richt zich op implementatie op echte kwantumhardware en validatie op grotere, multi-institutionele datasets om het effect van hardware-ruis te onderzoeken.

Kortom, de paper bewijst dat hybride kwantum-klassieke systemen een fundamenteel voordeel bieden bij het analyseren van complexe medische patronen, waardoor ze een veelbelovende richting zijn voor de volgende generatie diagnostische AI.