Enhancing Blood Cells Classification using Hybrid Quantum Neural Networks

Dit artikel stelt een hybride quantum-klassiek neurale netwerk (HQNN)-architectuur voor die een vooraf getrainde ResNet-50-ruggengraat integreert met een variational quantum circuit, waarbij een superieure prestatie en robuustheid ten opzichte van ruis bij de classificatie van bloedcellen wordt aangetoond in vergelijking met klassieke basismodellen op openbare datasets en IBM-quantumhardware.

De kern

Stel je voor dat je een arts bent die probeert verschillende soorten tiny bloedcellen onder een microscoop te identificeren. Sommige cellen zien er bijna identiek uit, net als tweelingen die iets verschillende hoeden dragen. Traditioneel zijn computers (die "klassieke" deep learning gebruiken) hier heel goed in, maar ze raken soms in de war wanneer de verschillen extreem subtiel zijn.

Dit artikel stelt een grote vraag: Wat als we de computer een "quantum superkracht" geven om deze kleine verschillen beter te zien?

Hier is het verhaal van hun experiment, eenvoudig uitgelegd:

1. De Opzet: Een Driepersoonswedstrijd

Om ervoor te zorgen dat de test eerlijk was, vergeleken de onderzoekers niet zomaar een "Quantum Computer" met een "Normale Computer". Dat zou niet eerlijk zijn, omdat de quantumcomputer misschien gewoon groter is of meer onderdelen heeft.

In plaats daarvan bouwden ze drie identieke teams die in elk opzicht precies hetzelfde waren, behalve voor één specifieke stap in hun denkproces:

• Team A (De Baseline): De computer kijkt naar de cel, vereenvoudigt de afbeelding en raadt direct het type.
• Team B (De Klassiek Gelijkgestelde): De computer kijkt naar de cel, vereenvoudigt de afbeelding en leidt deze vervolgens door een extra "denklaag" (een standaard wiskundige laag) voordat hij raadt. Dit zorgt ervoor dat als Team B beter presteert, dit alleen komt omdat het meer wiskunde had, niet omdat er magie in het spel was.
• Team C (Het Hybride Quantum Team): De computer kijkt naar de cel, vereenvoudigt de afbeelding en leidt deze vervolgens door een Quantum "Denklaag".

De Analogie: Stel je drie studenten voor die een toets maken.

• Student A leest de vraag en schrijft het antwoord op.
• Student B leest de vraag, denkt er 5 seconden over na met een standaard rekenmachine en schrijft het antwoord op.
• Student C leest de vraag, denkt er 5 seconden over na met een Quantum Rekenmachine en schrijft het antwoord op.

De onderzoekers wilden zien of de Quantum Rekenmachine (Student C) de lastige delen daadwerkelijk beter oplost dan de standaardrekenmachine (Student B).

2. De "Quantum Laag": Een Nieuw Soort Lens

Hoe werkt het quantumgedeelte?
Stel je de "hersenen" van de computer voor als een kamer waar het informatie ordent.

• Klassieke computers ordenen data als boeken op een plank: één boek naast de ander.
• Quantum computers kunnen data ordenen als een kaleidoscoop. Dankzij een fenomeen genaamd "verstrengeling" kunnen ze alle stukjes van de afbeelding tegelijk bekijken vanuit vele verschillende hoeken.

In deze studie fungeert de "Quantum Laag" als een speciale lens die de vereenvoudigde afbeelding van de bloedcel in dit kaleidoscoopbeeld verdraait. De hoop is dat dit beeld de verschillen tussen "tweeling"cellen (zoals Monocyten en Neutrofielen) veel duidelijker maakt.

3. De Resultaten: Wie Won?

De onderzoekers testten deze teams op twee verschillende sets bloedcelafbeeldingen:

1. De "Gemakkelijke" Set (4 celtypen): Dit is als onderscheid maken tussen een kat, een hond, een vogel en een vis.
2. De "Moeilijke" Set (8 celtypen): Dit is als onderscheid maken tussen 8 verschillende hondenrassen die er allemaal erg gelijkend uitzien.

De Bevindingen:

• In de "Gemakkelijke" Set: Het Quantum Team (Team C) won duidelijk. Het kreeg ongeveer 3,7% meer juiste antwoorden dan de andere teams. Het was vooral goed in het onderscheiden van de lastige "tweeling"cellen.
• In de "Moeilijke" Set: Iedereen deed het al geweldig (bijna perfecte scores). Het Quantum Team slaagde er echter nog steeds in om een klein beetje meer nauwkeurigheid uit te knijpen. Het was het enige team dat niet in een "gelijkspel" met de anderen bleef steken; het bleef zelfs toen de dingen al bijna perfect waren, lichtjes verbeteren.
• De "Real World" Test: De onderzoekers draaiden het Quantum Team ook op een echte fysieke quantumcomputer (gemaakt door IBM) in plaats van alleen een simulatie.
  • De Haken: Echte quantumcomputers zijn momenteel een beetje "ruisend" (alsof je probeert een fluistering te horen in een winderige kamer).
  • Het Resultaat: De prestaties daalden een beetje door de ruis, maar het model was nog steeds robuust. Het crashte niet; het werd gewoon iets minder nauwkeurig. Dit bewijst dat het idee werkt, zelfs op echte, onvolmaakte hardware.

4. De Grote Conclusie

Het artikel concludeert dat Quantum Machine Learning niet zomaar hype is.

Toen de onderzoekers het Quantum Team vergeleken met het team met de "Extra Denklaag" (Team B), ontdekten ze dat het Quantum Team beter presteerde. Dit bewijst dat de verbetering niet alleen kwam omdat ze meer wiskunde toevoegden; het kwam omdat de quantumwiskunde zelf beter was in het opsporen van die kleine, subtiele verschillen in bloedcellen.

Kortom: Door een quantum "lens" te gebruiken om naar bloedcellen te kijken, werd de computer een betere detective, vooral wanneer de verdachten (de cellen) er bijna exact hetzelfde uitzagen. Dit suggereert dat deze hybride systemen in de toekomst artsen kunnen helpen ziektes sneller en nauwkeuriger te diagnosticeren, vooral in de lastige gevallen waar menselijke ogen of standaardcomputers in de war kunnen raken.

Technische samenvatting

Technische Samenvatting: Verbetering van de Classificatie van Bloedcellen met Hybride Kwantum Neuronale Netwerken

Probleemstelling

De nauwkeurige classificatie van microscopische bloedcellen blijft een kritieke uitdaging in de medische beeldanalyse. Hoewel Convolutional Neural Networks (CNN's) de handmatige beoordeling grotendeels hebben vervangen, staan ze voor specifieke beperkingen bij fijnmazige classificatietaken. Specifiek hebben CNN's moeite met subtiele morfologische verschillen, overlappende visuele kenmerken (bijvoorbeeld het onderscheiden van monocyten van neutrofielen) en hoge variabiliteit binnen dezelfde klasse. Bovendien worden standaard deep learning-modellen beperkt door de wiskundige grenzen van klassieke vectorruimten, wat hun vermogen kan beperken om complexe, niet-lineaire correlaties die inherent zijn aan hoogdimensionale biomedische beeldvorming, in kaart te brengen. De auteurs stellen dat Hybride Kwantum-Klassieke Neuronale Netwerken (HQNN's) gebruik kunnen maken van de hoogdimensionale Hilbertruimte en kwantumverstrengeling om de representatie van kenmerken te verbeteren en deze ambiguïteiten op te lossen.

Methodologie

De studie stelt een modulaire HQNN-architectuur voor die is ontworpen om de specifieke bijdrage van kwantumeigenschapstransformaties te isoleren. Het systeem volgt een proces van drie fasen:

1. Kenmerkextractie: Een vooringestelde ResNet-50-ruggengraat (geïnitieerd met ImageNet-weights) haalt hoogwaardige visuele kenmerken uit invoerafbeeldingen (256x256x3). De laatste classificatielaag wordt verwijderd, waarbij een 2048-dimensionale kenmerkvector wordt gegenereerd.
2. Dimensionaliteitsreductie: Een volledig verbonden laag reduceert de 2048-dimensionale vector naar een 10-dimensionale latente ruimte. Een hyperbolische tangens ($tanh$) activatie wordt toegepast om de waarden te begrenzen, wat hoekgebaseerde kwantumcodering faciliteert.
3. Intermediaire Transformatie & Classificatie: Dit is de variabele fase waarin drie verschillende architecturen worden vergeleken:
   • HQNN-model: De 10-dimensionale latente vector wordt gecodeerd in een kwantumtoestand met behulp van Angle Embedding (rotaties rond de Y-as). Het wordt verwerkt door een Variational Quantum Circuit (VQC) bestaande uit 10 qubits en 4 trainbare lagen. Elke laag past trainbare $RY$-rotaties toe, gevolgd door een ringgestructureerd patroon van Controlled-NOT (CNOT)-poorten voor verstrengeling. De output wordt gemeten via Pauli-Z-verwachtingswaarden, wat een 10-dimensionale kwantumkenmerkvector oplevert.
   • Klassiek Gelijkwaardig Model: De kwantumkring wordt vervangen door een klassiek niet-lineair blok (lineaire transformatie + $tanh$) met een vergelijkbaar aantal parameters (110 parameters) als de kwantumlaag (40 parameters).
   • Klassieke Baseline: De intermediaire transformatiefase wordt volledig verwijderd, waarbij de latente vector direct naar de classifier wordt doorgegeven.

Alle modellen delen een identiek lichtgewicht classificatiehoofd (32 verborgen eenheden, ReLU, Dropout) en worden getraind met Focal Loss met label-smoothing, de Adam-optimizer en cosine-annealing voor het plannen van de leersnelheid.

Belangrijkste Bijdragen

Het artikel levert vier primaire bijdragen:

1. Gestuurde Vergelijkingsframework: Een modulaire architectuur die variabelen strikt controleert (ruggengraat, bottleneck-grootte, classifier-hoofd) om het effect van de intermediaire transformatiefase (kwantum versus klassiek) te isoleren.
2. Eerlijke Klassieke Baselines: Introductie van een "Klassiek Gelijkwaardig Model" met een extra niet-lineaire laag met een vergelijkbare capaciteit als de kwantumkring, om ervoor te zorgen dat prestatiewinst niet louter wordt toegeschreven aan een verhoogd aantal parameters.
3. Validatie op Realistische Hardware: Uitvoering van het HQNN-model op IBM-kwantumhardware (specifiek de ibm_fez-backend) om robuustheid te beoordelen onder realistische ruis en hardwarebeperkingen, verdergaand dan software-simulatie.
4. Empirische Analyse van Kwantumvoordeel: Kwantificering van prestatiewinst specifiek in uitdagende classificatiescenario's gekenmerkt door hoge variabiliteit binnen dezelfde klasse en subtiele verschillen tussen klassen.

Experimentele Resultaten

De modellen werden geëvalueerd op twee openbare datasets: de Blood Cell Images Dataset (4 klassen) en de Peripheral Blood Cell (PBC) Dataset (8 klassen).

• Blood Cell Images Dataset (4 Klassen):

  • Het HQNN-model behaalde een Macro F1-score van 0,9153, beter dan het Klassiek Gelijkwaardig Model (0,8862) en de Klassieke Baseline (0,8784).
  • Dit vertegenwoordigt een verbetering van ongeveer 3,7% ten opzichte van de baseline.
  • Het HQNN toonde de meest significante winst bij het onderscheiden van moeilijke klassen zoals neutrofielen en monocyten, waardoor verwarring tussen visueel vergelijkbare celtypen werd verminderd.

• PBC Dataset (8 Klassen):

  • De prestaties waren voor alle modellen bijna verzadigd vanwege de kenmerken van de dataset.
  • Het HQNN behaalde toch de hoogste metrics: Accuracy van 0,9967 en Macro F1-score van 0,9869, iets beter dan het Klassiek Gelijkwaardig Model (0,9854) en de Baseline (0,9851).
  • Verbeteringen werden waargenomen bij uitdagende klassen zoals onvolgroeide granulocyten en neutrofielen.

• Data-efficiëntie:

  • Bij training met slechts 25% van de Blood Cell Images-dataset behield het HQNN een duidelijk voordeel (94,55% accuracy, 89,33% F1) ten opzichte van klassieke tegenhangers, wat wijst op robuustheid in scenario's met schaarste aan data.

• Hardware-validatie:

  • Op echte IBM-kwantumhardware ondervond het model een bescheiden prestatiedegradatie (~2,5–3%) ten opzichte van de ruisvrije simulator (Accuracy: 0,9000 versus 0,9250).
  • Ondanks ruis bleef het model robuust, met name voor goed gescheiden klassen zoals lymfocyten, wat de haalbaarheid van HQNN's op huidige Noisy Intermediate-Scale Quantum (NISQ)-apparaten bevestigt.

Betekenis en Claims

Het artikel beweert dat de bevindingen de tastbare voordelen van kwantumeigenschapstransformaties in medische beeldvorming valideren, specifiek voor het oplossen van complexe classificatietaken waarbij klassieke modellen moeite hebben. Door een rigoureuze, gecontroleerde experimentele opzet te hanteren, tonen de auteurs aan dat de waargenomen prestatieverbeteringen voortkomen uit de distincte transformatie-eigenschappen van de kwantumlaag en niet simpelweg uit het toevoegen van meer parameters.

De studie concludeert dat terwijl klassieke modellen hun prestatieplafond benaderen in goed samengestelde datasets, HQNN's consistente, meetbare winst bieden in balans tussen klassen en discriminatievermogen, met name in fijnmazige scenario's. De succesvolle implementatie op echte hardware ondersteunt verder het praktische potentieel van het integreren van kwantumversterkt leren in toekomstige klinische diagnostische hulpmiddelen, mits de uitdagingen rondom hardware-ruis en schaalbaarheid worden aangepakt.