Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification

Resumo Técnico: Fusão de Recursos Quânticos em Múltiplos Circuitos Paralelos em Redes Neurais Convolucionais Híbridas Quântico-Clássicas para Classificação de Tumores de Mama

Enunciado do Problema
O artigo aborda os desafios da classificação de tumores de mama utilizando imagens médicas, especificamente a distinção entre casos benignos e malignos. Embora as Redes Neurais Convolucionais (CNNs) clássicas sejam eficazes, elas enfrentam problemas de escalabilidade com dados médicos de alta dimensionalidade e limitações arquitetônicas. Os autores propõem aproveitar o Aprendizado de Máquina Quântico (QML), especificamente Circuitos Quânticos Variacionais (VQCs), para aprimorar a extração de recursos e o desempenho de classificação. O estudo foca no conjunto de dados BreastMNIST, uma referência padronizada de 546 imagens de ultrassom de mama em escala de cinza de 28×28, visando determinar se arquiteturas híbridas quântico-clássicas podem superar contrapartes puramente clássicas quando o número de parâmetros é igualado.

Metodologia
Os autores propõem uma arquitetura de Rede Neural Convolucional Híbrida Quântico-Clássica (QCNN) projetada para classificação binária. A metodologia estrutura-se em torno de quatro componentes principais:

1. Backbone Clássico: Tanto os modelos híbridos quanto os de base compartilham um extrator de recursos CNN clássico idêntico. Este backbone consiste em seis camadas convolucionais organizadas em três blocos (32, 64 e 128 filtros), utilizando normalização de lote, ativação ReLU, max pooling e dropout. A saída é um vetor de recursos achatado de 2048 dimensões.
2. Extração de Recursos Quânticos Paralela: O modelo híbrido processa os recursos clássicos através de dois Circuitos Quânticos Variacionais (VQCs) distintos e paralelos, ambos operando em 4 qubits:
   • Circuito 1 (Codificação de Amplitude): Mapeia um vetor de recursos pré-processado de 16 dimensões para as amplitudes de um estado quântico de 4 qubits ($2^4=16$ estados base). Utiliza rotações treináveis e emaranhamento, medindo valores esperados de Pauli-Z para produzir 4 recursos quânticos.
   • Circuito 2 (Codificação Angular com Emaranhamento Circular): Mapeia 4 recursos pré-processados diretamente para ângulos de rotação ($R_Y$) em 4 qubits. Este circuito emprega duas camadas variacionais com rotações parametrizadas $R_X$ e $R_Y$ e uma topologia de emaranhamento circular (portas CNOT conectando $j \to (j+1) \mod 4$). Mede Pauli-Z para todos os qubits e Pauli-X para os dois primeiros, produzindo 6 recursos quânticos.
3. Fusão de Recursos Quântico-Clássica: As saídas de ambos os circuitos quânticos (4 e 6 recursos, respectivamente) são concatenadas em um vetor de 10 dimensões. Isso é projetado via uma camada linear treinável para um espaço de 128 dimensões, seguido por normalização de camada, ReLU e dropout. Esses recursos quânticos fundidos são então concatenados com os recursos CNN clássicos originais de 2048 dimensões.
4. Classificador e Treinamento: O vetor de recursos híbrido final (2176 dimensões) é passado por uma rede totalmente conectada profunda para classificação binária. O modelo é treinado usando o otimizador AdamW, perda de entropia cruzada binária com suavização de rótulos e parada antecipada. Para garantir uma comparação justa, uma CNN clássica de base substitui os circuitos quânticos por camadas lineares clássicas com dimensões de entrada/saída idênticas, mantendo o mesmo número total de parâmetros.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

1. Arquitetura Inovadora: Introdução de uma QCNN híbrida utilizando dois circuitos quânticos paralelos com esquemas de codificação distintos (codificação de amplitude e codificação angular).
2. Estratégia de Fusão de Recursos: Implementação de um mecanismo de fusão específico que concatena recursos quânticos de ambos os circuitos com recursos CNN clássicos para criar um espaço de recursos conjunto.
3. Design Experimental Rigoroso: Uma configuração com parâmetros igualados onde os modelos híbrido e clássico compartilham backbones CNN idênticos, isolando a contribuição específica das camadas quânticas.
4. Validação Estatística: Demonstração de melhorias de desempenho validadas em cinco execuções independentes usando testes estatísticos.

Resultados
Os modelos foram avaliados no conjunto de dados BreastMNIST (546 amostras de treinamento, 78 de validação, 156 de teste) ao longo de cinco execuções independentes.

• Desempenho: A QCNN híbrida alcançou uma acurácia de teste de 86,54%, comparada a 84,17% para a base clássica. O modelo híbrido também mostrou acurácia de validação superior (87,95% vs. 85,38%) e perda de validação menor (0,3786 vs. 0,3982).
• Métricas: O modelo híbrido superou o modelo clássico em acurácia de treinamento, acurácia de validação, perda de treinamento, perda de validação, acurácia de teste, precisão e pontuação F1. Embora o modelo clássico tivesse recall marginalmente maior, o modelo híbrido demonstrou um equilíbrio geral melhor.
• Significância Estatística: Um teste de postos sinalizados de Wilcoxon unilateral resultou em um valor-p de 0,03125 ($p < 0,05$), rejeitando a hipótese nula de que o modelo híbrido desempenha igual ou pior que o modelo clássico. O tamanho do efeito, calculado via $d$ de Cohen, foi 2,14, indicando uma grande significância prática.

Significância e Alegações
O artigo afirma que arquiteturas híbridas de QCNN podem aproveitar efetivamente propriedades mecânicas quânticas, como superposição e emaranhamento, para aprimorar tarefas de classificação de imagens médicas. Os autores afirmam que seu trabalho estabelece uma estrutura de validação estatística para avaliar modelos quânticos híbridos em aplicações biomédicas.

O estudo reconhece que todos os experimentos foram conduzidos utilizando simulações de circuitos quânticos idealizados (simulador de vetor de estado default.qubit do PennyLane) em hardware clássico, livres de ruído e decoerência. Consequentemente, os autores enquadram modestamente suas descobertas como uma prova de conceito para as vantagens teóricas da arquitetura. Eles destacam que, embora os circuitos de 4 qubits e operações de portas simples sejam candidatos adequados para hardware de curto prazo, trabalhos futuros são necessários para validar esses resultados em processadores quânticos reais e para escalar a abordagem para conjuntos de dados clínicos maiores e mais diversos. O artigo não afirma implantação clínica imediata, mas identifica um caminho para escalabilidade e implantação em hardware quântico de curto prazo.