Benchmarking Quantum and Classical Machine Learning Models on Oncological Data

Resumo Técnico: Avaliação Comparativa de Modelos de Aprendizado de Máquina Quântico e Clássico em Dados Oncológicos

Definição do Problema
O aprendizado de máquina é cada vez mais aplicado a dados oncológicos para detecção, diagnóstico e tratamento. No entanto, os dados biológicos apresentam desafios únicos, incluindo alta dimensionalidade, diversidade limitada de amostras e interações complexas de características (a "maldição da dimensionalidade"). Embora o aprendizado de máquina quântico (QML) seja teoricamente proposto para oferecer vantagens no tratamento de tais dados complexos e de alta dimensão, há uma carência de avaliação empírica rigorosa que demonstre vantagem quântica prática. Estudos existentes frequentemente falham em distinguir se as limitações de desempenho decorrem de problemas de otimização (por exemplo, platôs estéreis ou mínimos locais), da expressividade intrínseca do modelo ou dos esquemas de codificação de dados. Os modelos de referência clássicos em trabalhos anteriores são frequentemente treinados com hiperparâmetros fixos, deixando aberta a questão se o seu desempenho ideal foi alcançado.

Metodologia
Os autores desenvolveram um framework de benchmarking rigoroso para comparar de forma justa modelos de QML e de aprendizado de máquina clássico (CML) em conjuntos de dados oncológicos tabulares, ômicos e espaciais. O estudo utilizou o framework de aprendizado de máquina quântico Red Cedar e redes neurais clássicas otimizadas por AutoML.

• Conjuntos de Dados: O estudo avaliou três categorias de dados:
  1. Tabulares: O conjunto de dados Wisconsin Diagnostic Breast Cancer (WDBC).
  2. Ômicos: Dados de expressão gênica de mRNA do The Cancer Genome Atlas (TCGA) para cânceres de mama (BRCA), cólon (COAD) e ovário (OV).
  3. Espaciais: Conjuntos de dados de imagens médicas do MedMNIST (BreastMNIST, PathMNIST, DermaMNIST).
• Pré-processamento: Os autores testaram várias estratégias de pré-processamento, incluindo seleção de características por random forest para dados tabulares/ômicos e extração de características via ResNet18 para dados espaciais.
• Modelo Quântico:
  • Codificação: O estudo empregou bit-bit encoding, um método que codifica classicamente as amostras em bits correspondentes à inicialização e leitura de qubits. Esta abordagem oferece propriedades de aproximação universal, permitindo que o modelo atinja teoricamente 100% de acurácia de treinamento sem restrições de expressividade.
  • Arquitetura: Uma arquitetura bipartida em camadas com nós de emaranhamento parametrizados entre os qubits de rótulo e de dados.
  • Treinamento: Os modelos foram treinados usando a estratégia de inicialização de sub-rede e atualizações de coordenadas exatas do framework Red Cedar. Esta estratégia de warm-start incremental evita platôs estéreis e elimina a necessidade de otimizadores clássicos. O treinamento continuou até que 100% de acurácia de treinamento fosse atingida ou que um limite de cinco dias fosse alcançado.
• Referência Clássica (Baseline):
  • AutoML: A biblioteca TPOT2 foi utilizada para evoluir arquiteturas de redes neurais e hiperparâmetros ideais, garantindo que as referências clássicas não estivessem sub-otimizadas.
  • Estágios de Comparação: Os modelos clássicos foram treinados em dados brutos, dados pré-processados e dados codificados bit-bit (tanto pré-discretizados quanto discretizados) para garantir uma comparação justa entre as representações de dados.
• Estimativa de Recursos: Um métrica teórica, $Q_{dataset}(1.0)$, foi calculada. Ela representa o número de qubits necessários para codificar um conjunto de dados de tal forma que 100% de acurácia de treinamento e teste seja teoricamente possível (ou seja, sem colisões no espaço discretizado). Um limiar de 50 qubits foi usado como heurística para potencial vantagem quântica, baseado no platô das capacidades de simulação clássica.

Resultos Principais

• Ausência de Evidência de Vantagem Quântica: Em todos os conjuntos de dados testados (WDBC, TCGA omics e MedMNIST espacial) e métodos de pré-processamento, os modelos quânticos não superaram as redes neurais clássicas otimizadas por AutoML. As acurácias de teste de ambas as classes de modelos foram estatisticamente indistinguíveis dentro das margens de erro padrão.
• Desempenho de Treinamento: Todos os modelos quânticos alcançaram com sucesso 100% de acurácia de treinamento, confirmando que a metodologia de treinamento evitou eficazmente problemas de otimização como platôs estéreis. Consequentemente, a falta de vantagem quântica não foi atribuída a falhas de treinamento.
• Generalização: Tanto os modelos quânticos quanto os clássicos falharam em atingir consistentemente a acurácia máxima teórica de teste conforme o número de qubits aumentava, particularmente em conjuntos de dados com maior complexidade.
• Descobertas da Estimativa de Recursos:
  • WDBC e Ômicos: Os valores de $Q_{dataset}(1.0)$ para o WDBC (14–15 qubits) e conjuntos de dados ômicos (15–20 qubits) ficaram bem abaixo do limiar de 50 qubits, sugerindo que estes conjuntos de dados não são candidatos prováveis para vantagem quântica.
  • Dados Espaciais: Alguns conjuntos de dados espaciais (ex: BreastMNIST achatado) aproximaram-se ou excederam o limiar de 50 qubits, mas os resultados foram inconsistentes entre os métodos de pré-processamento (ex: ResNet18 vs. achatamento) e frequentemente atribuídos a artefatos de processamento de dados, em vez de complexidade intrínseca.
• Robustez ao Pré-processamento: O framework de estimativa de recursos mostrou-se robusto ao pré-processamento; para dados ômicos, a seleção de características por random forest reduziu as características em 99,8%, mas o $Q_{dataset}(1.0)$ permaneceu estatisticamente insignificante entre os dados pré-processados e os brutos.

Significância e Alegações
O artigo afirma estabelecer um framework mais rigoroso para avaliar a vantagem quântica ao analisar sistematicamente o escalonamento de desempenho com o tamanho do modelo e ao empregar bases clássicas justas e otimizadas por AutoML. A conclusão principal é que os atuais conjuntos de dados de referência na literatura de aprendizado de máquina quântico não exibem evidência de vantagem quântica para classificação oncológica.

Os autores argumentam que o campo deve ir além desses benchmarks existentes. Eles sugerem que o progresso significativo em direção à vantagem quântica prática requer a análise de conjuntos de dados de maior dimensão e mais biologicamente realistas (ex: multi-ômicos, multi-modais ou séries temporais) que possuam o poder representacional e as interações de ordem superior necessários para alavancar as propriedades computacionais quânticas. O estudo destaca que a atual falta de dados biológicos complexos e de código aberto é uma barreira para demonstrar a utilidade quântica nas ciências da vida.