Vantagem do Kernel Quântico sobre o Colapso Clássico em Incorporações de Modelos de Fundação Médica

Resumo

Apresentamos evidências de vantagem de kernel quântico sob simulação livre de ruído na classificação binária de seguros em radiografias torácicas do MIMIC-CXR usando máquinas de vetores de suporte quânticas (QSVM) com *embeddings* congelados de três modelos fundamentais médicos (MedSigLIP-448, RAD-DINO, ViT-patch32). Propomos uma estrutura de comparação justa de dois níveis na qual ambos os classificadores recebem recursos PCA-q idênticos. No Nível 1 (QSVM não ajustada vs. SVM linear não ajustada, C = 1 em ambos os lados), a QSVM vence em F1 da classe minoritária em todas as 18 configurações testadas (17 com p < 0,001, 1 com p < 0,01). O kernel linear clássico colapsa para a predição da classe majoritária em 90-100% das sementes em todas as contagens de qubits, enquanto a QSVM mantém *recall* não trivial. Em q = 11 (centro do platô MedSigLIP-448), a QSVM alcança F1 médio = 0,343 vs. F1 clássico = 0,050 (ganho de F1 = +0,293, p < 0,001) sem ajuste de hiperparâmetros. Sob o Nível 2 (QSVM não ajustada vs. SVM com RBF com C ajustado), a QSVM vence todas as sete configurações testadas (ganho médio +0,068, máximo +0,112). A análise do espectro próprio revela que o posto efetivo do kernel quântico atinge 69,80 em q = 11, excedendo em muito o posto do kernel linear, enquanto o colapso clássico permanece invariante a C. Uma varredura completa de qubits revela o início da concentração dependente da arquitetura entre os modelos. Código: 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

Vantagem do Kernel Quântico sobre o Colapso Clássico em Incorporações de Modelos de Fundação Médica

Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings

Resumo

Support