[論文レビュー] Medical image classification via quantum neural networks

Natansh Mathur, Jonas Landman+5 more|arXiv (Cornell University)|Sep 4, 2021

Retinal Imaging and Analysis参考文献 21被引用数 34

ひとこと要約

この論文は、IBMハードウェアとシミュレータを用いてPneumoniaMNISTと RetinaMNIST で量子支援ニューラルネットワークと量子直交ニューラルネットワークを用いた医用画像分類のための量子ニューラルネットワーク手法を探索する。

ABSTRACT

Machine Learning provides powerful tools for a variety of applications, including disease diagnosis through medical image classification. In recent years, quantum machine learning techniques have been put forward as a way to potentially enhance performance in machine learning applications, both through quantum algorithms for linear algebra and quantum neural networks. In this work, we study two different quantum neural network techniques for medical image classification: first by employing quantum circuits in training of classical neural networks, and second, by designing and training quantum orthogonal neural networks. We benchmark our techniques on two different imaging modalities, retinal color fundus images and chest X-rays. The results show the promises of such techniques and the limitations of current quantum hardware.

研究の動機と目的

• 現行のハードウェア上で量子ニューラルネットワークが医用画像分類に役立つかを調査する。
• 二つのQNNパラダイムを評価する：古典的ネットワークの量子支援トレーニング/推論と量子直交ニューラルネットワーク。
• 様々なデータローダーとハードウェア構成を用いて、2つのMedMNISTデータセット（PneumoniaMNISTと RetinaMNIST）で性能をベンチマークする。
• 量子アプローチと古典的ベースラインのスケーラビリティ、ロバスト性、ハードウェア由来の制約を評価する。

提案手法

• QNN手法を適用して古典的ニューラルネットワークのトレーニングと推論を支援するための量子回路を使用し、NISQハードウェアに適応。
• Reconfigurable Beam Splitter (RBS)回路を用いたユニタリ振幅エンコーディングによるデータロードを実装。
• 古典的な線形代数のサブルーチンを置換するために、量子回路を用いて内積とベクトル乗算を推定。
• 重み行列が直交する量子直交ニューラルネットワークを、量子ピラミッド回路とゲート角度に基づく勾配トレーニング（QPC）を用いて開発・訓練。
• PCAベースの次元削減を4または8特徴量に適用し、IBMの超伝導マシン（5-, 7-, 16量子ビット）およびシミュレータ上でハードウェア実験を実行。

実験結果

リサーチクエスチョン

• RQ1 量子支援ニューラルネットワークは標準データセットで古典的ニューラルネットワークと医用画像分類で同等の性能を達成できるか。
• RQ2 量子直交ニューラルネットワークはハードウェア対応のトレーニングで同等または優れた性能を提供するか。
• RQ3 量子データローダと回路深さは近期の量子ハードウェア上の精度とロバスト性にどのように影響するか。
• RQ4 医用画像タスクにおけるQNNの現行ハードウェアの実務的制限は何か。

主な発見

• 量子支援ニューラルネットワークはシミュレーションおよび一部のハードウェア実行においてPneumoniaMNISTと RetinaMNIST のAUCと精度を古典的ネットワークと同等に達成する。
• ハードウェアの結果は、いくつかのタスクでは古典的ベースラインと同等の精度に到達できるが、ハードウェアノイズにより難易度の高いタスクで性能低下を招く。
• 8次元入力は4次元入力よりも優れた指標を与えることが多く、シミュレーションは古典的な性能と一致する一方、ハードウェアはノイズにより時間とともにばらつきを示す。
• 角度ベースの最適化（QPC）で訓練された直交量子ニューラルネットワークは、SVB訓練と比べてモデルが大きく異なる結果を生み、場合によってはテスト精度が高くなることがある。
• シミュレーションは、直交ネットワークの量子インスパイア訓練が RetinaMNIST で SVBベース訓練より精度で上回る可能性を示唆する（例: ある設定で ACC が 75.25% 対 58.25%）。
• ユニariesエンコーディングとハードウェア対応回路最適化は、現在のIBMデバイス上の量子計算の信頼性と精度を向上させる。