Benchmarking Quantum and Classical Machine Learning Models on Oncological Data

Technische Samenvatting: Benchmarking van Quantum en Klassieke Machine Learning Modellen op Oncologische Data

Probleemstelling
Machine learning wordt steeds vaker toegepast op oncologische data voor detectie, diagnose en behandeling. Biologische data brengt echter unieke uitdagingen met zich mee, waaronder hoge dimensionaliteit, beperkte diversiteit in monsters en complexe interacties tussen kenmerken (de "vloek van dimensionaliteit"). Hoewel quantum machine learning (QML) theoretisch wordt voorgesteld als een methode die voordelen kan bieden bij het verwerken van dergelijke complexe, hoogdimensionale data, is er een gebrek aan rigoureuze empirische evaluatie die een praktisch quantumvoordeel aantoont. Bestaande studies slagen er vaak niet in om te onderscheiden of prestatiebeperkingen voortkomen uit optimalisatieproblemen (bijv. barren plateaus, lokale minima), intrinsieke modelexpressiviteit of datacoderingingsschema's. Bovendien zijn klassieke baselines in eerdere werken frequent getraind met vaste hyperparameters, wat de vraag open laat of hun optimale prestaties wel zijn gerealiseerd.

Methodologie
De auteurs hebben een rigoureus benchmarkingframework ontwikkeld om QML- en klassieke machine learning (CML) modellen eerlijk te vergelijken over tabulaire, omics en ruimtelijke oncologische datasets. De studie maakte gebruik van het Red Cedar quantum machine learning framework en AutoML-geoptimaliseerde klassieke neurale netwerken.

• Datasets: De studie evalueerde drie categorieën data:
  1. Tabulair: De Wisconsin Diagnostic Breast Cancer (WDBC) dataset.
  2. Omics: Genomische mRNA-expressiedata van The Cancer Genome Atlas (TCGA) voor borst- (BRCA), colon- (COAD) en eierstokkanker (OV).
  3. Ruimtelijk: Medische beeldvormingsdatasets van MedMNIST (BreastMNIST, PathMNIST, DermaMNIST).
• Preprocessing: De auteurs testten verschillende preprocessingstrategieën, waaronder random forest feature selectie voor tabulaire/omics data en ResNet18 feature extractie voor ruimtelijke data.
• Quantum Model:
  • Encoding: De studie maakte gebruik van bit-bit encoding, een methode die monsters klassiek codeert in bits die overeenkomen met qubit-initialisatie en uitlezing. Deze aanpak biedt universele benaderingseigenschappen, waardoor het model theoretisch 100% trainingsnauwkeurigheid kan bereiken zonder expressiviteitsbeperkingen.
  • Architectuur: Een gelaagde bipartiete architectuur met geparametriseerde verstrengelingsnodes tussen label- en data-qubits.
  • Training: Modellen werden getraind met de sub-net initialisatie en exacte coördinaatupdates van het Red Cedar framework. Deze incrementele warm-start strategie vermijdt barren plateaus en elimineert de noodzaak voor klassieke optimizers. Training ging door totdat 100% trainingsnauwkeurigheid werd bereikt of een limiet van vijf dagen werd overschreden.
• Klassieke Baseline:
  • AutoML: De TPOT2 bibliotheek werd gebruikt om optimale neurale netwerkarchitecturen en hyperparameters te evolueren, om te garanderen dat de klassieke baselines niet ondergeoptimaliseerd waren.
  • Vergelijkingsfasen: Klassieke modellen werden getraind op ruwe data, gepreprocessede data en bit-bit gecodeerde data (zowel vooraf gediscretiseerd als gediscretiseerd) om een eerlijke vergelijking tussen datarepresentaties te waarborgen.
• Resource Estimatie: Een theoretische metriek, $Q_{dataset}(1.0)$, werd berekend. Dit vertegenwoordigt het aantal qubits dat nodig is om een dataset te coderen zodanig dat 100% trainings- en testnauwkeurigheid theoretisch mogelijk is (dus geen botsingen in de gediscretiseerde ruimte). Een drempelwaarde van 50 qubits werd gebruikt als heuristiek voor potentieel quantumvoordeel, gebaseerd op het plateau van klassieke simulatiecapaciteiten.

Belangrijkste Resultaten

• Geen bewijs van Quantumvoordeel: Over alle geteste datasets (WDBC, TCGA omics en MedMNIST ruimtelijk) en preprocessingmethoden heen, presteerden de quantummodellen niet beter dan de AutoML-geoptimaliseerde klassieke neurale netwerken. De testnauwkeurigheden van beide modelklassen waren statistisch ononderscheidbaar binnen de standaardfoutmarges.
• Trainingsprestaties: Alle quantummodellen bereikten succesvol 100% trainingsnauwkeurigheid, wat bevestigt dat de trainingsmethodologie effectief was in het vermijden van optimalisatieproblemen zoals barren plateaus. Bijgevolg werd het gebrek aan quantumvoordeel niet toegeschreven aan trainingsfouten.
• Generalisatie: Zowel quantum- als klassieke modellen slaagden er niet in om consistent de theoretische maximale testnauwkeurigheid te bereiken naarmate het aantal qubits toenam, met name bij datasets met een hogere complexiteit.
• Bevindingen Resource Estimatie:
  • WDBC en Omics: De $Q_{dataset}(1.0)$ waarden voor WDBC (14–15 qubits) en omics datasets (15–20 qubits) lagen ruim onder de 50-qubit drempel, wat suggereert dat deze datasets onwaarschijnlijke kandidaten zijn voor quantumvoordeel.
  • Ruimtelijke Datasets: Sommige ruimtelijke datasets (bijv. afgeplatte BreastMNIST) naderden of overschreden de 50-qubit drempel, maar de resultaten waren inconsistent over verschillende preprocessingmethoden (bijv. ResNet18 versus afplatten) en werden vaak toegeschreven aan artefacten in de dataprocessing in plaats van intrinsieke complexiteit.
• Robuustheid tegenover Preprocessing: Het resource estimatieframework bleek robuust tegenover preprocessing; voor omics data verminderde random forest feature selectie de features met 99,8%, maar de $Q_{dataset}(1.0)$ bleef statistisch onbeduidend tussen de gepreprocessede en ruwe datasets.

Betekenis en Claims
Het artikel beweert een rigoureuzer framework te hebben gevestigd voor het beoordelen van quantumvoordeel door systematisch de prestatieschaalbaarheid met modelgrootte te analyseren en een eerlijke, AutoML-geoptimaliseerde klassieke baseline te gebruiken. De primaire conclusie is dat huidige benchmarkdatasets in de quantum machine learning literatuur geen bewijs vertonen van quantumvoordeel voor oncologische classificatie.

De auteurs stellen dat het veld voorbij deze bestaande benchmarks moet bewegen. Zij suggereren dat betekenisvolle vooruitgang naar praktisch quantumvoordeel vereist dat er wordt geanalyseerd met hogere-dimensionale, meer biologisch realistische datasets (bijv. multi-omics, multi-modaal of tijdreeksdata) die de representatieve kracht en hogere-orde interacties bezitten die nodig zijn om de computationele eigenschappen van quantum te benutten. De studie benadrukt dat het huidige gebrek aan toegankelijke, complexe open-source biologische data een barrière vormt voor het aantonen van quantum nut in de levenswetenschappen.