Avantage des noyaux quantiques sur l'effondrement classique dans les plongements des modèles fondation médicaux

Résumé

Nous démontrons un avantage des noyaux quantiques en simulation sans bruit pour la classification binaire en assurance santé sur des radiographies thoraciques MIMIC-CXR, en utilisant des machines à vecteurs de support quantiques (QSVM) avec des embeddings figés issus de trois modèles fondationnels médicaux (MedSigLIP-448, RAD-DINO, ViT-patch32). Nous proposons un cadre de comparaison équitable à deux niveaux dans lequel les deux classifieurs reçoivent des caractéristiques PCA-q identiques. Au Niveau 1 (QSVM non ajusté vs. SVM linéaire non ajusté, C = 1 des deux côtés), le QSVM remporte le F1 de la classe minoritaire dans les 18 configurations testées (17 avec p < 0,001, 1 avec p < 0,01). Le noyau linéaire classique s'effondre vers une prédiction de la classe majoritaire sur 90 à 100 % des initialisations pour chaque nombre de qubits, tandis que le QSVM maintient un rappel non trivial. À q = 11 (centre du plateau MedSigLIP-448), le QSVM atteint un F1 moyen = 0,343 contre un F1 classique = 0,050 (gain F1 = +0,293, p < 0,001) sans réglage des hyperparamètres. Sous le Niveau 2 (QSVM non ajusté vs. SVM à noyau RBF avec C ajusté), le QSVM remporte les sept configurations testées (gain moyen +0,068, max +0,112). L'analyse du spectre propre révèle que le rang effectif du noyau quantique atteint 69,80 à q = 11, dépassant largement le rang du noyau linéaire, tandis que l'effondrement classique reste invariant à C. Une exploration complète des qubits révèle un début de concentration dépendant de l'architecture pour tous les modèles. Code : https://github.com/sebasmos/qml-medimage

English

We provide evidence of quantum kernel advantage under noiseless simulation in binary insurance classification on MIMIC-CXR chest radiographs using quantum support vector machines (QSVM) with frozen embeddings from three medical foundation models (MedSigLIP-448, RAD-DINO, ViT-patch32). We propose a two-tier fair comparison framework in which both classifiers receive identical PCA-q features. At Tier 1 (untuned QSVM vs. untuned linear SVM, C = 1 both sides), QSVM wins minority-class F1 in all 18 tested configurations (17 at p < 0.001, 1 at p < 0.01). The classical linear kernel collapses to majority-class prediction on 90-100% of seeds at every qubit count, while QSVM maintains non-trivial recall. At q = 11 (MedSigLIP-448 plateau center), QSVM achieves mean F1 = 0.343 vs. classical F1 = 0.050 (F1 gain = +0.293, p < 0.001) without hyperparameter tuning. Under Tier 2 (untuned QSVM vs. C-tuned RBF SVM), QSVM wins all seven tested configurations (mean gain +0.068, max +0.112). Eigenspectrum analysis reveals quantum kernel effective rank reaches 69.80 at q = 11, far exceeding linear kernel rank, while classical collapse remains C-invariant. A full qubit sweep reveals architecture-dependent concentration onset across models. Code: https://github.com/sebasmos/qml-medimage