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

Resumo Técnico: Analisando Imagens de Células Sanguíneas com Métodos de Aprendizado de Máquina Quântica

Definição do Problema
O artigo aborda a viabilidade de aplicar o Aprendizado de Máquina Quântica (QML) à imagiologia médica do mundo real, especificamente a deteção automatizada de Leucemia Mieloide Aguda (LMA) a partir de imagens de microscopia de células sanguíneas. Embora as redes convolucionais profundas (CNN) clássicas tenham demonstrado alta precisão neste domínio, elas dependem da retropropagação (backpropagation), um método fundamentalmente incompatível com sistemas quânticos. A retropropagação requer medições intermediárias para calcular gradientes, o que colapsa os estados quânticos e destrói a superposição e o emaranhamento necessários para a vantagem quântica. Além disso, os métodos clássicos frequentemente demandam recursos computacionais substanciais e grandes conjuntos de dados anotados, que são dispendiosos de adquirir em contextos médicos. O estudo visa avaliar se os algoritmos de QML podem alcançar um desempenho competitivo sob restrições severas, incluindo recursos limitados de qubits, resolução de imagem reduzida e a ausência de retropropagação.

Metodologia
Os autores utilizaram o conjunto de dados AML-Cytomorphology, composto por 18.365 imagens de esfregaços sanguíneos de células únicas anotadas por especialistas (100 pacientes com LMA, 100 controles saudáveis). Para garantir uma comparação justa entre todos os métodos e alinhar-se com as restrições quânticas práticas, as imagens foram redimensionadas para 64×64 pixels.

O estudo avaliou duas abordagens distintas contra bases de referência clássicas (CNN e Redes Neurais Densas):

1. Circuitos Quânticos Variacionais (VQC):

   • Arquitetura: Um classificador de 4 qubits implementado via simulação clássica utilizando o Qiskit da IBM.
   • Processamento de Entrada: As imagens brutas foram convertidas para tons de cinza, e 20 características escalares de engenharia (abrangendo estatísticas de intensidade, texturas GLCM, morfologia, métricas de borda e frequência FFT) foram extraídas. Estas foram reduzidas para 4 dimensões via Análise de Componentes Principais (PCA) e reescalonadas para corresponder aos domínios das portas de rotação.
   • Design do Circuito: O circuito empregou um ZZFeatureMap para codificação de dados para criar emaranhamento, e um ansatz RealAmplitudes raso (2 camadas, 8 parâmetros treináveis, profundidade 12) otimizado para dispositivos de Escala Intermediária com Ruído Quântico (NISQ).
   • Treinamento: Foi utilizado um loop híbrido clássico-quântico. O circuito quântico atuou como uma caixa preta; um otimizador clássico (COBYLA, livre de gradiente) ajustou iterativamente os parâmetros para minimizar o erro quadrático médio entre o valor de expectativa do primeiro qubit ($\langle Z_0 \rangle$) e os rótulos alvo. Isso evitou a necessidade de computação de gradiente quântico.

2. Propagação de Equilíbrio (EP):

   • Conceito: Um método de aprendizado baseado em energia, de inspiração quântica, implementado em redes do tipo Hopfield com pesos simétricos.
   • Mecanismo: A EP evita totalmente a retropropagação. Ela treina a rede através de duas fases: uma "Fase Livre" onde a rede se estabiliza num estado de equilíbrio baseado na entrada, e uma "Fase de Perturbação" (Nudged Phase) onde os neurónios de saída são fracamente ajustados em direção aos rótulos alvo. As atualizações de peso são derivadas da diferença entre estes dois estados de equilíbrio.
   • Arquitetura: Uma rede em camadas (unidades ocultas 256–128–64 com ativações tanh) treinada usando SGD com momento e interrupção precoce (early stopping).

Protocolo Experimental
Para avaliar a eficiência de dados, os autores construíram subconjuntos equilibrados do conjunto de dados contendo 50, 100, 200 e 250 amostras por classe. Todos os modelos foram avaliados usando divisões de treino-teste estratificadas de 80/20. Os modelos VQC e EP foram comparados com as bases de referência de CNN e Rede Neural Densa sob condições experimentais idênticas.

Resultados Principais

• Desempenho em Subconjuntos Completos (250 amostras/classe):
  • CNN Clássica: Alcançou 98,4% de precisão (tempo de treino: 745s).
  • Propagação de Equilíbrio (EP): Alcançou 86,4% de precisão (tempo de treino: 89,4s), representando uma lacuna de apenas 12% em relação à CNN sem utilizar retropropagação.
  • Circuito Quântico Variacional (VQC): Alcançou 83,0% de precisão (tempo de treino: 180s).
• Eficiência de Dados:
  • O VQC demonstrou uma estabilidade notável, mantendo 83% de precisão mesmo com apenas 50 amostras por classe.
  • Em contraste, a CNN Clássica exigiu 250 amostras por classe (5× mais dados) para atingir o seu pico de desempenho de 98,4%; com 50 amostras, a precisão da CNN caiu para 92%.
  • Isto sugere que os métodos quânticos podem ser mais eficientes em termos de dados, uma vantagem crítica em domínios médicos onde as anotações de especialistas são escassas.

Significado e Alegações
O artigo postula que estes resultados estabelecem bases reproduzíveis para QML na saúde, validando a viabilidade destes métodos na era NISQ. As principais alegações incluem:

1. Viabilidade sem Retropropagação: O sucesso da EP demonstra que o aprendizado baseado em energia pode servir como uma alternativa viável e compatível com sistemas quânticos para a retropropagação no treinamento de redes neurais em dados clínicos reais.
2. Eficiência de Dados como uma Vantagem Quântica: Embora as CNNs clássicas detenham atualmente uma precisão absoluta superior, a capacidade do VQC de manter um desempenho robusto com o mínimo de dados de treinamento (50 amostras) destaca uma potencial vantagem para a investigação de doenças raras onde grandes conjuntos de dados não estão disponíveis.
3. Compatibilidade com NISQ: O design de circuito raso de profundidade 12 é explicitamente otimizado para as restrições de hardware atuais (ex: sistemas IBM Quantum com ~100 qubits e tempos de coerência limitados), sugerindo que a validação experimental de curto prazo é possível.
4. Implementação em Ambientes de Recursos Restritos: Os autores observam que a EP, com o seu baixo tempo de inferência (0,13s) e ausência de retropropagação, é particularmente adequada para implementação em hardware neuromórfico, permitendo potencialmente diagnósticos de ponto de assistência alimentados por bateria.

Os autores mantêm um tom modesto, reconhecendo que os resultados atuais dependem de simulações de estado vetorial ideais (que não consideram ruído de shot ou erros de porta) e que as limitações da engenharia de características representam uma capacidade de representação inferior às CNNs de ponta a ponta. Eles concluem que, embora os métodos clássicos superem atualmente os métodos quânticos em precisão absoluta, os métodos quânticos oferecem um desempenho competitivo quando a disponibilidade de dados é o recurso limitante, em vez da capacidade do modelo.