Resumo Técnico: Aprimoramento da Classificação de Células Sanguíneas usando Redes Neurais Quânticas Híbridas

Declaração do Problema

A classificação precisa de células sanguíneas microscópicas permanece um desafio crítico na análise de imagens médicas. Embora as Redes Neurais Convolucionais (CNNs) tenham substituído em grande parte a revisão manual, elas enfrentam limitações distintas em tarefas de classificação de alta granularidade. Especificamente, as CNNs têm dificuldade com diferenças morfológicas sutis, características visuais sobrepostas (por exemplo, distinguir monócitos de neutrófilos) e alta variabilidade intraclasse. Além disso, os modelos padrão de aprendizado profundo são limitados pelas restrições matemáticas dos espaços vetoriais clássicos, o que pode restringir sua capacidade de mapear correlações complexas e não lineares inerentes a imagens biomédicas de alta dimensionalidade. Os autores postulam que as Redes Neurais Quânticas Híbridas Clássicas (HQNNs) poderiam aproveitar o espaço de Hilbert de alta dimensionalidade e o emaranhamento quântico para aprimorar a representação de características e resolver esses casos ambíguos.

Metodologia

O estudo propõe uma arquitetura modular de HQNN projetada para isolar a contribuição específica das transformações de características quânticas. O sistema segue um pipeline de três estágios:

1. Extração de Características: Uma espinha dorsal ResNet-50 pré-treinada (inicializada com pesos do ImageNet) extrai características visuais de alto nível das imagens de entrada (256x256x3). A camada final de classificação é removida, gerando um vetor de características de 2048 dimensões.
2. Redução de Dimensionalidade: Uma camada totalmente conectada reduz o vetor de 2048 dimensões para um espaço latente de 10 dimensões. Uma ativação tangente hiperbólica ($tanh$) é aplicada para limitar os valores, facilitando a codificação quântica baseada em ângulos.
3. Transformação Intermediária e Classificação: Este é o estágio variável onde três arquiteturas distintas são comparadas:
   • Modelo HQNN: O vetor latente de 10 dimensões é codificado em um estado quântico usando Codificação por Ângulo (rotações ao redor do eixo Y). É processado por um Circuito Quântico Variacional (VQC) consistindo em 10 qubits e 4 camadas treináveis. Cada camada aplica rotações $RY$ treináveis seguidas por um padrão estruturado em anel de portas Controlled-NOT (CNOT) para emaranhamento. A saída é medida via valores esperados de Pauli-Z, produzindo um vetor de características quânticas de 10 dimensões.
   • Modelo Clássico Correspondente: O circuito quântico é substituído por um bloco não linear clássico (transformação linear + $tanh$) com uma contagem de parâmetros comparável (110 parâmetros) à camada quântica (40 parâmetros).
   • Linha de Base Clássica: O estágio de transformação intermediária é removido completamente, passando o vetor latente diretamente para o classificador.

Todos os modelos compartilham uma cabeça de classificação leve idêntica (32 unidades ocultas, ReLU, Dropout) e são treinados usando Função de Perda Focal com suavização de rótulos, otimizador Adam e agendamento de taxa de aprendizado com annealing cosseno.

Principais Contribuições

O artigo apresenta quatro contribuições primárias:

1. Framework de Comparação Controlada: Uma arquitetura modular que controla estritamente variáveis (espinha dorsal, tamanho do gargalo, cabeça do classificador) para isolar o efeito do estágio de transformação intermediária (quântico vs. clássico).
2. Linhas de Base Clássicas Justas: Introdução de um "Modelo Clássico Correspondente" com uma camada não linear adicional de capacidade comparável ao circuito quântico, garantindo que os ganhos de desempenho não sejam meramente atribuídos ao aumento da contagem de parâmetros.
3. Validação em Hardware do Mundo Real: Execução do modelo HQNN em hardware quântico IBM (especificamente o backend ibm_fez) para avaliar a robustez sob ruído realista e restrições de hardware, indo além da simulação de software.
4. Análise Empírica da Vantagem Quântica: Quantificação dos ganhos de desempenho especificamente em cenários de classificação desafiadores caracterizados por alta variabilidade intraclasse e diferenças interclasse sutis.

Resultados Experimentais

Os modelos foram avaliados em dois conjuntos de dados públicos: o Blood Cell Images Dataset (4 classes) e o Peripheral Blood Cell (PBC) Dataset (8 classes).

• Blood Cell Images Dataset (4 Classes):

  • O modelo HQNN alcançou uma Macro F1-score de 0,9153, superando o Modelo Clássico Correspondente (0,8862) e a Linha de Base Clássica (0,8784).
  • Isso representa uma melhoria de aproximadamente 3,7% sobre a linha de base.
  • O HQNN mostrou os ganhos mais significativos na distinção de classes difíceis como neutrófilos e monócitos, reduzindo a confusão entre tipos celulares visualmente semelhantes.

• PBC Dataset (8 Classes):

  • O desempenho estava quase saturado para todos os modelos devido às características do conjunto de dados.
  • O HQNN ainda alcançou as métricas mais altas: Precisão de 0,9967 e Macro F1-score de 0,9869, superando ligeiramente o Modelo Clássico Correspondente (0,9854) e a Linha de Base (0,9851).
  • Melhorias foram observadas em classes desafiadoras como granulócitos imaturos e neutrófilos.

• Eficiência de Dados:

  • Quando treinado apenas com 25% do conjunto de dados Blood Cell Images, o HQNN manteve uma vantagem clara (94,55% de precisão, 89,33% F1) sobre as contrapartes clássicas, sugerindo robustez em cenários com escassez de dados.

• Validação em Hardware:

  • Em hardware quântico IBM real, o modelo experimentou uma degradação modesta de desempenho (~2,5–3%) em comparação com o simulador sem ruído (Precisão: 0,9000 vs. 0,9250).
  • Apesar do ruído, o modelo permaneceu robusto, particularmente para classes bem separadas como linfócitos, confirmando a viabilidade de HQNNs em dispositivos Quânticos Intermediários de Escala Ruidosa (NISQ) atuais.

Significado e Alegações

O artigo afirma que suas descobertas validam os benefícios tangíveis das transformações de características quânticas em imagens médicas, especificamente para resolver tarefas de classificação complexas onde os modelos clássicos têm dificuldade. Ao empregar um design experimental rigoroso e controlado, os autores demonstram que as melhorias de desempenho observadas derivam das propriedades de transformação distintas da camada quântica e não simplesmente da adição de mais parâmetros.

O estudo conclui que, enquanto os modelos clássicos se aproximam de tetos de desempenho em conjuntos de dados bem curados, as HQNNs oferecem ganhos consistentes e mensuráveis no equilíbrio por classe e no poder discriminativo, particularmente em cenários de alta granularidade. A implantação bem-sucedida em hardware real apoia ainda mais o potencial prático de integrar aprendizado aprimorado por quântica em futuras ferramentas de diagnóstico clínico, desde que os desafios de ruído de hardware e escalabilidade sejam abordados.