Uso de técnicas de inspiración cuántica para la clasificación de imágenes médicas

Abstract

La adopción de modelos de aprendizaje automático en entornos clínicos exige soluciones que combinen precisión diagnóstica con eficiencia computacional e interpretabilidad. En este contexto, las redes tensoriales cuántico-inspiradas emergen como una alternativa prometedora a las arquitecturas profundas convencionales, gracias a su reducido número de parámetros y su fundamentación matemática rigurosa. Este Trabajo de Fin de Grado implementa, evalúa y analiza LoTeNet, una red tensorial basada en Matrix Product States (MPS), aplicada a la clasificación binaria de imágenes médicas. El modelo se entrena íntegramente desde cero, sin preentrenamiento ni transferencia de conocimiento, sobre dos conjuntos de datos de referencia: PCam, orientado a la detección de metástasis en tejido histológico, y PneumoniaMNIST, para el diagnóstico de neumonía en radiografías de tórax. A pesar de contar con únicamente 4.092 parámetros entrenables, el modelo alcanza un AUC de 0,9501 y 0,8635 respectivamente, resultados competitivos frente a arquitecturas de mayor complejidad como DenseNet121 y ResNet18. Entre las contribuciones originales del trabajo destaca una estrategia de inicialización near-identity, diseñada para mitigar el problema de vanishing gradients en cadenas MPS de gran longitud, que supone una mejora práctica relevante sobre las aproximaciones existentes. Asimismo, se realiza un análisis de explicabilidad empleando tres enfoques complementarios: Gradient×Input, Integrated Gradients y un método nativo basado en los logits espaciales de la arquitectura MPS, que permite una interpretación directa sin cálculo de gradientes. Los resultados sugieren que las redes tensoriales constituyen una vía viable para el diagnóstico asistido por ordenador, ofreciendo ventajas diferenciales en términos de XAI nativa, transparencia matemática y viabilidad de despliegue en dispositivos con recursos extremadamente limitados.The adoption of machine learning models in clinical settings demands solutions that combine diagnostic accuracy with computational efficiency and interpretability. In this context, quantum-inspired tensor networks emerge as a promising alternative to conventional deep architectures, owing to their reduced parameter count and rigorous mathematical foundations. This Bachelor's Thesis implements, evaluates and analyses LoTeNet, a tensor network based on Matrix Product States (MPS), applied to binary medical image classification. The model is trained entirely from scratch, without pretraining or transfer learning, on two benchmark datasets: PCam, focused on metastasis detection in histological tissue, and PneumoniaMNIST, for pneumonia diagnosis in chest X-rays. Despite having only 4,092 trainable parameters, the model achieves an AUC of 0.9501 and 0.8635 respectively, competitive results against significantly more complex architectures such as DenseNet121 and ResNet18. Among the original contributions, a near-identity initialisation strategy stands out, designed to mitigate the vanishing gradients problem in long MPS chains, representing a practically relevant improvement over existing approaches. Additionally, an explainability analysis is carried out using three complementary methods: Gradient×Input, Integrated Gradients, and a native method based on the spatial logits of the MPS architecture, enabling direct interpretation without gradient computation. The results suggest that tensor networks constitute a viable approach to computer-assisted diagnosis, offering differential advantages in terms of native XAI, mathematical transparency, and feasibility of deployment on extremely resource-constrained devices.