[論文レビュー] Histopathological Cancer Detection Using Hybrid Quantum Computing

Reek Majumdar, Biswaraj Baral+2 more|arXiv (Cornell University)|Feb 7, 2023

AI in cancer detection被引用数 8

ひとこと要約

論文は古典的転移学習モデルとハイブリッド古典-量子モデルを比較し、ヒストopathologicalがん検出のための変分量子回路を用いたAUCは約0.93、ResNet18HQCの性能は古典的なResNet18と同等である。

ABSTRACT

We present an effective application of quantum machine learning in the field of healthcare. The study here emphasizes on a classification problem of a histopathological cancer detection using quantum transfer learning. Rather than using single transfer learning model, the work model presented here consists of multiple transfer learning models especially ResNet18, VGG-16, Inception-v3, AlexNet and several variational quantum circuits (VQC) with high expressibility. As a result, we provide a comparative analysis of the models and the best performing transfer learning model with the prediction AUC of approximately 93 percent for histopathological cancer detection. We also observed that for 1000 images with Resnet18, Hybrid Quantum and Classical (HQC) provided a slightly better accuracy of 88.5 percent than classical of 88.0 percent.

研究の動機と目的

• 医用画像分類におけるハイブリッド量子機械学習の利用を動機づける。
• 複数の転移学習バックボーン（ResNet-18、VGG-16、Inception-v3、AlexNet）を量子支援フレームワークで評価する。
• 事前訓練済みCNN特徴量と組み合わせた変分量子回路を統合してQNNを形成する。
• データサイズとVQC構成の変化に対する性能を評価する。
• 量子医用画像処理における将来のハードウェア実験とロバスト性の考慮のロードマップを提供する。

提案手法

• PatchCamelyon（PCam）データセットのヒストopathologyパッチをtrain/validation/testに分割して入力する。
• ImageNetで事前訓練済みの転移学習モデル（ResNet-18、VGG-16、Inception-v3、AlexNet）を最終層を変更してファインチューニングする。
• CNN特徴抽出器と最終分類器の間にQNN（VQCベース）を挿入し、最終層としてsoftmaxを用いる。
• 表現力を評価して最適化するために単一量子ビット回転や二量子ビットゲートなど複数のVQC構成を試す。
• ハイパーパラメータを調整する：キューブ数、バッチサイズ、学習率、最適化手法（Adam/SGD）、VQCの前のtanh活性化、VQC後のsoftmax。
• クラシカルモデルとハイブリッドモデルの両方をAccuracyとAUC指標で評価し、信頼性とROC/PR曲線を比較する。

Figure 1 : Data (image) Samples: (a) non-cancerous image (b) cancerous image.

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子-古典転移学習はヒストopathologicalがん検出で競争力のあるAUCを達成できるか。
• RQ2 このタスクに対してどの古典CNNバックボーンが変分量子回路との適合性が最も高いか。
• RQ3 異なるVQC構成とキューブ数は性能にどう影響するか。
• RQ4 小規模な訓練データでHQCは純粋な古典モデルより精度上の利点を示すか。

主な発見

• QNNを含む最良の転移学習モデルはAUC ≈ 0.93を達成。
• 1000枚の画像では、ResNet18を用いたハイブリッドHQ Cは精度88.50%、AUC 0.93、古典的ResNet18は1000画像で精度88.00%、AUC 0.95と比較。
• クラシカルモデルのResNet18-10000は精度89.90%、AUC0.96を達成。
• 一部のハイブリッド構成（例：10000枚の画像を用いたHQ C ResNet18）は、特定のVQC設定で0.90の精度と0.90のAUCを達成。
• VQCベースのQNNは表現力主導の性能を提供し、特定の構成下で古典的モデルに匹敵できる。
• 本研究はPennylaneシミュレータを使用；将来は実機量子ハードウェアでの検証と敵対的攻撃に対するロバスト性の検討を含む。

Figure 2 : Framework of the workmodel