[논문 리뷰] Hybrid Quantum Machine Learning Assisted Classification of COVID-19 from Computed Tomography Scans

Leo Sünkel, Darya Martyniuk외 6명|arXiv (Cornell University)|2023. 10. 04.

Quantum Computing Algorithms and ArchitectureComputer Science참고 문헌 41인용 수 3

한 줄 요약

이 논문은 사전 훈련된 ResNet18을 사용해 특징을 추출하고, 변량 양자 회로를 사용해 분류하는 하이브리드 양자 기계학습 접근법을 제안한다. 폐 CT 영상의 코로나19, CAP 또는 정상으로의 분류를 위해 개발되었다. 제한된 양자 하드웨어와 작은 데이터셋에도 불구하고, 중간 수준의 성능을 달성하였으며, 더 작은, 더 균형 잡힌 데이터셋에서 더 좋은 결과를 보였다. 이는 NISQ 시대의 의료 영상 분류에서 깊이 있는 회로와 향상된 임bedding 기법이 필요함을 시사한다.

ABSTRACT

Practical quantum computing (QC) is still in its infancy and problems considered are usually fairly small, especially in quantum machine learning when compared to its classical counterpart. Image processing applications in particular require models that are able to handle a large amount of features, and while classical approaches can easily tackle this, it is a major challenge and a cause for harsh restrictions in contemporary QC. In this paper, we apply a hybrid quantum machine learning approach to a practically relevant problem with real world-data. That is, we apply hybrid quantum transfer learning to an image processing task in the field of medical image processing. More specifically, we classify large CT-scans of the lung into COVID-19, CAP, or Normal. We discuss quantum image embedding as well as hybrid quantum machine learning and evaluate several approaches to quantum transfer learning with various quantum circuits and embedding techniques.

연구 동기 및 목표

• 근접한 양자 하드웨어를 사용해 대규모, 고차원적 폐 CT 영상을 코로나19 감지에 대해 분류하는 데 도전하는 데 목적을 두며.
• 제한된 양자 자원을 가진 실제 의료 영상 환경에서 하이브리드 양자 전이 학습(QTL) 접근법을 평가하는 데 목적을 두며.
• NISQ 제약 조건 하에서 의료 영상 분류를 위해 다양한 양자 회로 아키텍처와 임베딩 기법을 비교하는 데 목적을 두며.
• 고전적 및 양자적 구성 요소를 분리함으로써 하이브리드 양자-고전적 모델에서 성능 향상과 해석 가능성 향상이 이루어지는지 조사하는 데 목적을 두며.
• 일반화성과 확장성 평가를 위해 관련 의료 데이터셋(PneumoniaMNIST, OrganAMNIST)에서 이 접근법을 벤치마킹하는 데 목적을 두며.

제안 방법

• 사전 훈련된 ResNet18이 대규모 CT 영상에서 특징을 추출하여 차원을 512로 감소시키는 하이브리드 양자-고전적 파이프라인을 사용한다.
• 512차원 특징 벡터는 진폭 인코딩 또는 각도 인코딩 기법을 사용해 양자 상태로 임베딩된다.
• 두 가지 QTL 변형을 평가한다: 하나는 고전적 및 양자 레이어를 함께 최적화하는 드레스드 양자 회로(DQC)를 사용하고, 다른 하나는 고전적 미세조정 없이 오직 훈련 가능한 양자 매개변수만을 사용한다.
• 4, 8, 16 큐비트를 가진 양자 회로를 테스트하며, 깊이 1, 2, 4로 설정하고, 두 번째 접근법에서는 오직 회전 게이트 각도만 최적화한다.
• DQC 설정에서는 종단 간 훈련을 수행하고, 두 번째 설정에서는 오직 양자 매개변수만 훈련함으로써 양자 구성 요소의 기여도를 명확히 분리할 수 있도록 한다.
• 다양한 양자 회로와 임베딩 전략을 다중 분류 및 이진 분류 작업에서의 표현력, 훈련 가능성 및 성능 측면에서 평가한다.

실험 결과

연구 질문

• RQ1 현재 NISQ 하드웨어 제약 조건 하에서 대규모 폐 CT 영상을 코로나19, CAP 또는 정상 클래스로 효과적으로 분류할 수 있는가?
• RQ2 고전적 레이어를 함께 최적화하는 아키텍처와 그렇지 않은 아키텍처 간에 양자 전이 학습의 성능는 어떻게 달라지는가?
• RQ3 다양한 양자 임베딩 기법(예: 진폭 대비 각도 인코딩)이 의료 영상 데이터의 분류 정확도에 어떤 영향을 미치는가?
• RQ4 양자 회로의 깊이와 큐비트 수를 늘리면 코로나19 CT 분류 작업에서 모델 성능이 향상되는가?
• RQ5 코로나19 데이터셋에서의 결과가 PneumoniaMNIST 및 OrganAMNIST와 같은 더 작은, 더 균형 잡힌 의료 데이터셋의 결과와 어떻게 비교되는가?

주요 결과

• PneumoniaMNIST 및 OrganAMNIST 데이터셋에서 모델은 코로나19 다중 분류 작업보다 더 높은 정확도와 AUROC 점수를 기록하여 더 큰, 더 균형 잡힌 데이터셋에서 더 우수한 일반화 성능를 보였다.
• 코로나19 데이터셋에서 진폭 임베딩을 사용한 양자 회로는 다른 방법과 유사한 결과를 보였지만, 성능은 여전히 제한되어 있었으며, 이는 데이터 불균형과 작은 표본 크기 때문일 가능성이 높다.
• 고전적 및 양자 레이어를 함께 최적화하는 DQC 접근법은 고전-양자로 철저히 분리된 설정보다 더 우수한 성능를 보였지만, 양자 구성 요소의 기여도가 모호해졌다.
• 두 번째 접근법은 오직 양자 회로 매개변수만 훈련하고 고전적 미세조정을 배제하여 양자 모델 성능 평가를 더 명확히 할 수 있었지만, 결과는 여전히 중간 정도였다.
• 큐비트 수와 회로 깊이를 늘리면 모델의 표현력과 성능 향상이 가능할 수 있으나, 최적 아키텍처를 도출하고 빈 페달(바른 평탄한 지역)을 피하기 위해 추가 조사가 필요하다.
• 결과는 현재 NISQ 하드웨어와 회로 깊이 제약이 심지어 하이브리드 양자-고전적 설계를 사용하더라도 대규모이고 복잡한 의료 영상의 효과적인 분류 능력을 제한한다는 것을 시사한다.