Quantum kernel support vector machines for trabecular bone classification: comparing feature reduction strategies on synthetic micro-CT data

Este estudo demonstra que, embora a maioria das estratégias de redução de dimensionalidade cause desempenho inferior dos SVMs com kernels quânticos em relação às bases clássicas na classificação de osso trabecular, o UMAP é o único método que permite que os kernels quânticos permaneçam competitivos, embora a vantagem observada seja estatisticamente insignificante e provavelmente inflada pela dependência das dobras, juntamente com achados de que os kernels quânticos ZZ não conseguem capturar estruturas métricas suaves para tarefas de regressão.

O essencial

Imagine que você está tentando organizar uma biblioteca massiva de livros em duas pilhas: "Osso Saudável" e "Osso Fraco". Mas, em vez de ler o texto, você está olhando para os livros através de um microscópio especial e de alta tecnologia que transforma cada página em um padrão complexo e giratório de cinza e branco. É essencialmente isso que os cientistas estão fazendo com o osso trabecular (a estrutura esponjosa, semelhante a um favo de mel, dentro dos ossos) usando varreduras de micro-TC.

Os pesquisadores queriam ver se um novo tipo de cérebro de computador — um Computador Quântico — poderia realizar essa tarefa de classificação melhor do que um computador clássico padrão. No entanto, a "biblioteca" é grande demais e os padrões são muito confusos para que o computador quântico os processe diretamente. É como tentar encaixar um oceano inteiro em uma xícara de chá. Para corrigir isso, eles precisaram reduzir os dados a um tamanho gerenciável primeiro. Esse processo é chamado de redução de dimensionalidade.

Os Cinco "Redutores"

A equipe testou cinco métodos diferentes para comprimir esses dados massivos em um pequeno "pacote" de 8 dimensões que um computador quântico pudesse entender. Pense nesses métodos como cinco maneiras diferentes de fazer uma mala:

1. PCA (Análise de Componentes Principais): Como dobrar suas roupas cuidadosamente para caber nelas.
2. RP Gaussiana & RP Esparsa: Como jogar suas roupas em uma sacola e sacudi-la para ver o que cabe.
3. PLS (Mínimos Quadrados Parciais): Como embalar apenas os itens que você sabe que precisará para uma viagem específica.
4. UMAP (Aproximação e Projeção de Variedade Uniforme): Como usar um mapa mágico que reorganiza suas roupas para que as mais importantes fiquem logo no topo.

A Corrida: Clássico vs. Quântico

Uma vez que os dados foram embalados, eles foram enviados para dois corredores:

• O Corredor Clássico: Um computador padrão usando um algoritmo comprovado de "Função de Base Radial".
• O Corredor Quântico: Um computador quântico usando um "mapa de recursos ZZ" específico (uma maneira de traduzir os dados para a linguagem quântica).

Eles realizaram essa corrida 25 vezes em diferentes cenários (validação cruzada) para ver quem era mais rápido e preciso.

Os Resultados: Um Conto de Dois Testes

O Primeiro Teste (A Corrida "Dobrada"):
Quando realizaram os testes usando os mesmos conjuntos de dados repetidamente (o que às vezes pode enganar o computador a memorizar as respostas), o UMAP foi o único método em que o Corredor Quântico acompanhou o Corredor Clássico. Na verdade, o Corredor Quântico parecia vencer por uma margem minúscula.

O Segundo Teste (A Corrida "Independente"):
Para ter certeza, realizaram um teste mais rigoroso com 10 conjuntos de dados completamente novos e independentes. Desta vez, a mágica desapareceu. O Corredor Quântico ficou, na verdade, ligeiramente atrás do Corredor Clássico. A pequena "vitória" do primeiro teste revelou-se um acaso causado pela forma como os dados foram agrupados.

Os Perdedores:
Para os outros quatro métodos (PCA, Projeções Aleatórias e PLS), o Corredor Quântico não apenas perdeu; tropeçou feio. Foi significativamente pior que o computador clássico ao distinguir entre osso saudável e osso fraco.

O Experimento de Regressão

Os pesquisadores também tentaram usar o computador quântico para prever números exatos (como "quão grosso é o osso?") em vez de apenas classificá-los em pilhas. Isso é como tentar adivinhar o peso exato de um livro em vez de apenas dizer "pesado" ou "leve".

• O Resultado: O computador quântico falhou completamente nisso. Não conseguiu prever os números de forma alguma, frequentemente obtendo pontuações negativas. Parece que a ferramenta quântica que eles usaram é boa em traçar linhas entre categorias (classificação), mas terrível em entender medições suaves e contínuas (previsão de números).

A Conclusão

A principal lição é simples: Como você prepara os dados importa mais do que o computador que você usa.

Se você usar o método errado para reduzir os dados (como PCA ou embalagens aleatórias), o computador quântico desempenha mal. No entanto, se você usar o método certo (UMAP), o computador quântico pode, pelo menos, competir com o clássico, embora não necessariamente vença. O estudo conclui que, para os computadores quânticos serem úteis neste campo, precisamos ter muito cuidado sobre como "embalamos" os dados antes de enviá-los à máquina quântica.

Resumo técnico

Resumo Técnico: Máquinas de Vetores de Suporte com Kernel Quântico para Classificação de Osso Trabecular

Enunciado do Problema
Os métodos de kernel quântico são teoricamente promissores para tarefas de classificação em espaços de características de alta dimensão, contudo, sua utilidade prática depende fortemente da preparação das características de entrada. Este estudo aborda a questão crítica de como estratégias de redução de dimensionalidade impactam o desempenho das Máquinas de Vetores de Suporte com Kernel Quântico (QK-SVMs) quando aplicadas à classificação de estruturas ósseas trabeculares. Especificamente, a pesquisa investiga se os kernels quânticos podem superar as linhas de base clássicas quando alimentados com características reduzidas por diversos métodos lineares e não lineares, utilizando dados sintéticos de microtomografia computadorizada (micro-CT) como ambiente de teste controlado.

Metodologia
Os autores construíram um pipeline experimental abrangente envolvendo geração de dados sintéticos, extração de características, redução de dimensionalidade e classificação comparativa:

• Geração de Dados: Um gerador procedural personalizado baseado em cruzamentos zero de campos aleatórios gaussianos foi empregado para criar 500 volumes sintéticos de osso trabecular. Esses volumes possuíam propriedades morfométricas controladas, incluindo fração de volume ósseo (BV/TV), espessura trabecular (Tb.Th), número (Tb.N) e espaçamento (Tb.Sp).
• Processamento de Características: Características de textura foram extraídas de slices em escala de cinza e reduzidas para entradas de 8 dimensões adequadas para circuitos quânticos. Cinco estratégias distintas de redução de dimensionalidade foram avaliadas:
  1. Análise de Componentes Principais (PCA)
  2. Projeção Aleatória Gaussiana (RP Gaussian)
  3. Projeção Aleatória Esparsa (RP Sparse)
  4. Mínimos Quadrados Parciais (PLS)
  5. Aproximação e Projeção de Variedade Uniforme (UMAP)
• Modelos de Classificação: As características reduzidas foram classificadas utilizando dois modelos:
  • SVMs Clássicas com Função de Base Radial (RBF).
  • SVMs com Kernel Quântico utilizando mapas de características ZZ, simuladas em um simulador de vetor de estado.
• Protocolo de Avaliação: O desempenho foi avaliado por meio de dois esquemas de validação rigorosos:
  1. Validação Cruzada Estratificada Repetida: Um esquema repetido 5x5 (25 dobras no total) para avaliar o desempenho dependente da dobra.
  2. Validação em Conjunto de Dados Independente: Teste em 10 conjuntos de dados totalmente independentes, onde cada conjunto envolvia amostras geradas independentemente, ajustes de redução separados e matrizes de kernel separadas para eliminar artefatos de dependência de dobra.
• Tarefa de Regressão: A Regressão de Ridge com Kernel Quântico foi adicionalmente avaliada para previsão morfométrica contínua, a fim de testar a capacidade do kernel de capturar estruturas métricas suaves.

Principais Resultados
O estudo produziu achados matizados sobre a competitividade dos kernels quânticos:

• Desempenho do UMAP: O UMAP foi o único método de redução onde o kernel quântico permaneceu competitivo com a linha de base clássica.
  • Na validação cruzada repetida 5x5, o UMAP mostrou uma ligeira vantagem de precisão para o kernel quântico (+0,032), embora isso não fosse estatisticamente significativo (Dietterich 5x2 CV p = 0,177).
  • Crucialmente, quando validado em 10 conjuntos de dados independentes, essa vantagem reverteu para um déficit de -0,030 (teste t pareado p = 0,123; Wilcoxon p = 0,193), com o modelo quântico vencendo apenas 3 dos 10 conjuntos de dados. Isso sugere que a vantagem aparente inicial provavelmente foi inflada pela dependência de dobra.
• Déficit dos Métodos Lineares: Todos os métodos de redução linear (PCA, RP Gaussian, PLS) resultaram em déficits substanciais de desempenho para o kernel quântico em comparação com a linha de base clássica, variando de -0,090 a -0,116 na classificação de BV/TV.
  • Os déficits do PCA e PLS permaneceram estatisticamente significativos sob testes corrigidos (5x2 CV p=0,004 e p=0,007, respectivamente).
• Falha na Regressão: Na tarefa de previsão contínua, os kernels quânticos ZZ falharam uniformemente, produzindo pontuações $R^2$ negativas para todos os métodos, exceto o PLS em 4 qubits. Isso indica que, embora o kernel ZZ possa capturar fronteiras de decisão para classificação, ele falha em modelar estruturas métricas suaves necessárias para regressão.

Significado e Alegações
O artigo conclui que a escolha da redução de dimensionalidade é um fator determinante para que os kernels quânticos possam permanecer competitivos com as linhas de base clássicas em pipelines de aprendizado de máquina quântico de curto prazo. Os autores alegam modestamente que suas descobertas fornecem orientação prática para engenharia de características, destacando que:

1. Vantagens quânticas aparentes na validação cruzada podem ser artefatos de vazamento de dados ou dependência de dobra, necessitando de validação independente rigorosa.
2. As arquiteturas atuais de kernel quântico (especificamente mapas de características ZZ) podem ser inadequadas para tarefas de regressão envolvendo estruturas métricas suaves.
3. Sem uma preparação cuidadosa das características (especificamente métodos não lineares como UMAP neste contexto), os kernels quânticos podem ter desempenho inferior às contrapartes clássicas na classificação de dados biológicos de alta dimensão.