Kwantumkernelvoordeel ten opzichte van klassieke ineenstorting in medische foundation model-embeddingen

Samenvatting

Wij leveren bewijs van een kwantumkernelvoordeel onder ruisvrije simulatie in binaire verzekeringsclassificatie op MIMIC-CXR-borstfoto's met behulp van kwantum support vector machines (QSVM) met bevroren embeddings van drie medische foundation-modellen (MedSigLIP-448, RAD-DINO, ViT-patch32). Wij stellen een raamwerk voor een eerlijke vergelijking op twee niveaus voor, waarin beide classificatoren identieke PCA-q-features ontvangen. Op Niveau 1 (ongetunde QSVM vs. ongetunde lineaire SVM, C = 1 aan beide kanten) wint QSVM de F1-score van de minderheidsklasse in alle 18 geteste configuraties (17 met p < 0,001, 1 met p < 0,01). De klassieke lineaire kernel stort in naar een voorspelling van de meerderheidsklasse op 90-100% van de seeds bij elk qubit-aantal, terwijl QSVM een niet-triviale recall behoudt. Bij q = 11 (plateaucenter van MedSigLIP-448) behaalt QSVM een gemiddelde F1 = 0,343 versus een klassieke F1 = 0,050 (F1-winst = +0,293, p < 0,001) zonder hyperparameterafstemming. Onder Niveau 2 (ongetunde QSVM vs. C-afgestemde RBF SVM) wint QSVM alle zeven geteste configuraties (gemiddelde winst +0,068, max +0,112). Eigenspectrumanalyse toont aan dat de effectieve rang van de kwantumkernel 69,80 bereikt bij q = 11, ver boven de rang van de lineaire kernel, terwijl de klassieke ineenstorting C-invariant blijft. Een volledige qubit-sweep onthult architectuurafhankelijk concentratiebegin over de modellen. 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

Kwantumkernelvoordeel ten opzichte van klassieke ineenstorting in medische foundation model-embeddingen

Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings

Samenvatting

Support