Resumo Técnico: FQPDR – Rede Neural Quântica Federada para Detecção Precoce e Preservação de Privacidade da Retinopatia Diabética

1. Declaração do Problema

A Retinopatia Diabética (RD) é uma das principais causas de cegueira entre pacientes diabéticos, sendo a detecção precoce fundamental para prevenir danos oculares irreversíveis. O primeiro sinal de RD é a presença de microaneurismas (MA), que são pontos minúsculos e de baixo contraste, tornando sua detecção uma tarefa desafiadora.

As abordagens atuais de aprendizado profundo, particularmente as Redes Neurais Convolucionais (CNNs), enfrentam limitações significativas:

• Intensidade de Recursos: Exigem um grande número de parâmetros aprendíveis e alta memória, resultando em alta complexidade temporal.
• Privacidade de Dados: O treinamento centralizado requer a agregação de dados médicos sensíveis de pacientes em um servidor central, o que apresenta riscos de violações de dados e viola regulamentações de privacidade.
• Escassez de Dados: A obtenção de dados médicos anotados suficientes é trabalhosa, no entanto, o treinamento eficaz frequentemente exige grandes conjuntos de dados.

2. Metodologia

Os autores propõem o FQPDR, um sistema de Rede Neural Quântica Federada (QNN) projetado para a detecção precoce de RD com preservação de privacidade. A metodologia integra três componentes principais:

2.1 Arquitetura de Rede Neural Quântica (QNN)

Em vez de neurônios clássicos, o modelo utiliza um Circuito Quântico Parametrizado (PQC).

• Codificação de Dados: O sistema emprega Codificação de Amplitude para converter patches de imagem clássicos (tamanho 7x6x3, totalizando 126 pixels) em estados quânticos. Dois bits zero são preenchidos para atingir 128 ($2^7$) bits, permitindo a representação por um sistema de 7 qubits.
• Design do Circuito: Os autores propõem uma topologia de circuito Vizinho Mais Próximo (NN) leve e multicamada. O circuito consiste em camadas alternadas de portas de rotação $RY$ e portas de emaranhamento Controlled-X (CNOT).
• Parâmetros: O modelo é extremamente leve, utilizando apenas 15 parâmetros aprendíveis (14 ângulos de rotação e 1 viés).
• Otimização: O sistema avalia os otimizadores Gradiente Descendente, Momento de Nesterov e Adam. O otimizador Adam é selecionado como o mais eficaz para o treinamento dos parâmetros da QNN.

2.2 Framework de Aprendizado Federado (FL)

Para abordar as preocupações de privacidade, a QNN é treinada dentro de uma arquitetura de Aprendizado Federado:

• Treinamento Descentralizado: Modelos locais são treinados em dispositivos de borda (clientes) usando dados locais de pacientes. Os dados brutos nunca deixam o dispositivo local.
• Agregação: Apenas os parâmetros do modelo (pesos) são compartilhados com um servidor federado central.
• Modelo Global: O servidor agrega os modelos locais usando uma abordagem de média ponderada (pesos atribuídos com base no desempenho do modelo local) para criar um modelo global, que é então redistribuído aos clientes para treinamento adicional.
• Privacidade: Isso garante que as imagens médicas sensíveis permaneçam nos nós locais, enquanto se beneficia de um modelo global diversificado.

2.3 Detalhes de Implementação

• Conjuntos de Dados: O sistema foi implementado e validado usando três conjuntos de dados com resoluções variadas:
  • E-ophtha: Imagens de fundo de olho de alta resolução (afetadas por MA e livres de MA).
  • Retina MNIST: Imagens de baixa resolução (28x28).
  • Kaggle: Conjunto de dados em grande escala usado para validação cruzada.
• Ambiente: Os experimentos foram executados usando PennyLane no Google Colaboratory e AWS Braket (simulando hardware quântico).
• Tarefa: O sistema foca na detecção de RD leve (microaneurismas) classificando patches de imagem como "afetados" ou "saudáveis".

3. Contribuições Principais

O artigo descreve as seguintes contribuições específicas:

1. Arquitetura Inovadora: Desenvolvimento de um sistema QNN Federado (FQPDR) para detecção precoce de RD usando imagens de retina dos conjuntos de dados E-ophtha, Kaggle e MNIST.
2. Preservação de Privacidade: Implementação de um framework de aprendizado federado para garantir a privacidade dos dados médicos, permitindo o treinamento do modelo sem transferir dados brutos de pacientes para um repositório central.
3. Eficiência de Parâmetros: Demonstração de que uma QNN com poucos parâmetros (15) pode aprender correlações de características efetivamente a partir de amostras limitadas, abordando o desafio da escassez de dados médicos anotados.
4. Análise de Desempenho: Uma comparação abrangente do FQPDR proposto contra métodos clássicos existentes não federados e federados, bem como CNNs clássicas com parâmetros limitados.

4. Resultados Experimentais

O estudo avaliou o sistema usando Precisão, Exatidão, Revocação, Pontuação F1 e Especificidade.

• Desempenho do Otimizador: Entre os otimizadores testados, o Adam produziu o maior desempenho. Para o conjunto de dados E-ophtha usando o otimizador Adam, a QNN Federada alcançou uma precisão de validação de 89,74%, superando a QNN não FL (88,46%) e a CNN clássica com parâmetros limitados (85,62%).
• Convergência: O modelo QNN convergiu mais rápido que a CNN clássica, exigindo menos épocas (24 épocas para QNN versus 62 para CNN) para alcançar precisão comparável ou superior.
• Validação Cruzada: Os modelos treinados em E-ophtha e Retina MNIST foram validados cruzadamente no conjunto de dados Kaggle. O sistema demonstrou robustez na detecção de RD leve, identificando corretamente 17 de 19 imagens de RD leve no conjunto Kaggle usando o modelo treinado em E-ophtha.
• Comparação com Métodos Clássicos:
  • O FQPDR proposto utiliza apenas 15 parâmetros, enquanto um método clássico FL comparável (Jagan Mohan et al., 2023) exigiu 968.005 parâmetros.
  • Apesar da redução drástica de parâmetros, o FQPDR alcançou precisão competitiva (89,74% versus 98,6% no método clássico, embora o método clássico tenha usado um conjunto de dados muito maior e pré-processamento diferente).
• Avaliação Qualitativa: Um oftalmologista registrado avaliou as previsões do sistema em imagens de teste. Os resultados foram descritos como "inspiradores", com o sistema mostrando alta capacidade de aprender anotações a partir do conjunto de dados.

5. Significado e Alegações

Os autores afirmam que o sistema FQPDR oferece uma solução leve, segura e inteligente para a Internet das Coisas Médicas (IoMT).

• Eficiência: Ao aproveitar a superposição e o emaranhamento quânticos, a QNN captura padrões intrincados com significativamente menos parâmetros e menor sobrecarga computacional em comparação com CNNs clássicas.
• Escalabilidade e Privacidade: A abordagem federada permite treinamento escalável em dispositivos de borda distribuídos sem comprometer a privacidade dos dados dos pacientes, tornando-a adequada para aplicações de saúde remota.
• Passo Fundamental: O artigo posiciona este trabalho como uma abordagem fundamental para classificação de imagens de retina usando QNNs federadas. Reconhece limitações atuais, como o alto custo e a acessibilidade limitada do hardware quântico, ruído nos qubits e a complexidade do treinamento híbrido clássico-quântico. No entanto, afirma que, à medida que o hardware quântico melhora, esta arquitetura possui potencial significativo para revolucionar o diagnóstico médico.

O artigo conclui que a integração do Aprendizado Federado com Redes Neurais Quânticas fornece um caminho promissor para a detecção precoce e com preservação de privacidade da Retinopatia Diabética, particularmente em ambientes com recursos limitados ou sensíveis à privacidade.