[논문 리뷰] Histopathological Cancer Detection Using Hybrid Quantum Computing

Reek Majumdar, Biswaraj Baral외 2명|arXiv (Cornell University)|2023. 02. 07.

AI in cancer detection인용 수 8

한 줄 요약

논문은 파라다임 전이 학습 모델과 변분 양자 회로를 이용한 하이브리드 고전-양자 모델을 비교하여 PCam 데이터에서 히스토패톨로지 암 탐지의 AUC를 약 0.93에 도달시키고, ResNet18HQC의 성능은 고전적 ResNet18과 유사함을 보인다.

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.

연구 동기 및 목표

• 의료 영상 분류에서 하이브리드 양자 머신러닝의 활용 동기를 제시한다.
• 여러 전이 학습 백본(ResNet-18, VGG-16, Inception-v3, AlexNet)을 양자 보조 프레임워크에서 평가한다.
• 사전 학습된 CNN 특징과 함께 변분 양자 회로를 통합하여 QNN을 형성한다.
• 다양한 데이터 크기 및 VQC 구성에서 성능을 평가한다.
• 양자 의학 영상의 향후 하드웨어 실험 및 강건성 고려를 위한 로드맵을 제시한다.

제안 방법

• PatchCamelyon(PCam) 데이터셋의 히스토패톨로지 패치를 학습/검증/테스트 세트로 분할한다.
• ImageNet에서 사전 학습된 전이 학습 모델(ResNet-18, VGG-16, Inception-v3, AlexNet)의 최종 레이어를 수정하여 미세조정한다.
• CNN 특징 추출기와 최종 분류기 사이에 QNN(VQC 기반)을 삽입하고 최종 층으로 softmax를 사용한다.
• 표현성을 바탕으로 최적의 구성을 선정하기 위해 단일 큐비트 회전, 이웃 큐비트 게이트 등의 다양한 VQC 구성을 테스트한다.
• 하이퍼파라미터를 조정한다: 큐비트 수, 배치 크기, 학습률, 최적화기(Adam/SGD), VQC 전에 tanh 활성화, VQC 이후 softmax.
• 정확도와 AUC 지표로 클래식 및 하이브리드 모델을 평가하고 ROC/PR 곡선을 비교한다.

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

실험 결과

연구 질문

• RQ1 하이브리드 양자-고전 전이 학습이 히스토패톨로지 암 탐지에서 경쟁력 있는 AUC를 달성할 수 있는가?
• RQ2 이 task에서 어떤 고전 CNN 백본이 변분 양자 회로와의 호환성 측면에서 최적의 성능을 제공하는가?
• RQ3 다양한 변분 양자 회로 구성과 큐비트 수가 성능에 어떤 영향을 미치는가?
• RQ4 소규모 학습 데이터에서도 HQC가 순수 클래식 모델에 비해 정확도 이점을 제공하는가?

주요 결과

• 최고 성능의 QNN이 포함된 전이 학습 모델의 AUC가 약 0.93에 달한다.
• 1000장의 이미지에서 하이브리드 HQC와 ResNet18의 정확도는 88.50%이고 AUC는 0.93이며, 1000장의 이미지에서 고전 ResNet18은 정확도 88.00% 및 AUC 0.95를 보인다.
• 고전적 모델인 ResNet18-10000은 정확도 89.90% 및 AUC 0.96을 달성한다.
• 일부 하이브리드 구성(HQC ResNet18, 10000 이미지)은 특정 VQC 설정에서 0.90 정확도와 0.90 AUC에 도달한다.
• VQC 기반 QNN은 표현성에 따른 성능을 제공하며 특정 구성에서 고전 모델과 유사한 성능을 달성할 수 있다.
• 연구는 Pennylane 시뮬레이터를 사용했으며, 향후 실험 양자 하드웨어에서의 검증 및 적대적 공격에 대한 강건성 연구가 필요하다.

Figure 2 : Framework of the workmodel