QANA: Classificazione Neuromorfica delle Lesioni Cutanee per Dispositivi Edge

Un recente preprint su arXiv (2507.15958v5) presenta QANA, un'architettura sensibile alla quantizzazione e progettata per classificare lesioni cutanee su dispositivi con risorse limitate. Questo studio affronta le difficoltà incontrate nell'imaging medico su dispositivo, dove l'inferenza CNN tradizionale fatica a causa dei limiti computazionali ed energetici, richiedendo una calibrazione leggera in mezzo a cambiamenti nei dati clinici. Mentre i processori neuromorfici consentono calcoli sparsi guidati dagli eventi, il loro uso efficace è spesso ostacolato da problemi nella conversione da CNN a SNN, come operatori non supportati, errori di quantizzazione e perdita di accuratezza dovuta allo squilibrio di classe. QANA introduce una backbone CNN sensibile alla quantizzazione all'interno di un pipeline completo per garantire un'esecuzione neuromorfica stabile. Migliora l'affidabilità della conversione vincolando le attivazioni intermedie, sincronizzando la normalizzazione con la quantizzazione a basso bit e sostituendo componenti fragili con alternative compatibili con gli spike. Una rappresentazione efficiente è facilitata dalla generazione di caratteristiche basata su Ghost, dall'attenzione spaziale dei canali e da moduli squeeze-and-excitation quantizzabili. Questa ricerca è significativa all'intersezione tra IA, sanità e edge computing, aprendo la strada a un'analisi efficace delle lesioni cutanee su dispositivi a basso consumo.