[论文解读] 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 8

一句话总结

简要直接回答：该论文将经典迁移学习模型与混合的经典-量子模型在病理癌症检测中进行对比，使用变分量子电路，AUC 约为 0.93，ResNet18HQC 的性能可与经典 ResNet18 相当。

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.

研究动机与目标

• 在医学影像分类中激发使用混合量子机器学习的潜力。
• 在量子辅助框架中评估多种迁移学习骨干网络（ResNet-18、VGG-16、Inception-v3、AlexNet）。
• 将变分量子电路与预训练的 CNN 特征集成，形成 QNN。
• 在不同数据规模和 VQC 配置下评估性能。
• 为未来硬件实验和量子医学成像的鲁棒性考量提供路线图。

提出的方法

• 将 PatchCamelyon (PCam) 数据集的病理切片输入并分为训练/测试/验证集。
• 在 ImageNet 上对预训练迁移学习模型（ResNet-18、VGG-16、Inception-v3、AlexNet）进行微调，修改最终层。
• 在 CNN 特征提取与最终分类器之间插入基于 VQC 的 QNN，最后一层使用 softmax。
• 测试多种 VQC 配置（单量子比特旋转、双量子比特门），并通过表达能力选择最佳配置。
• 调整超参数：量子比特数量、批量大小、学习率、优化器（Adam/SGD）、VQC 之前的 tanh 激活、VQC 之后的 softmax。
• 使用准确率和 AUC 指标对经典和混合模型进行评估；比较可靠性及 ROC/PR 曲线。

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

实验结果

研究问题

• RQ1 混合量子-经典迁移学习能否在病理癌症检测中实现有竞争力的 AUC？
• RQ2 哪种经典 CNN 骨干在与变分量子电路的兼容性方面表现最佳？
• RQ3 不同的变分量子电路配置和量子比特数如何影响性能？
• RQ4 在小样本训练时 HQC 是否比纯经典模型具有某种精度优势？

主要发现

• 在具有 QNN 的最佳迁移学习模型实现的 AUC 约为 0.93。
• 对于 1000 张图像，Hybrid HQC 与 ResNet18 的准确率为 88.50%，AUC 为 0.93；相比之下，经典 ResNet18 在同样 1000 张图像的准确率为 88.00%，AUC 为 0.95。
• Classical ResNet18-10000 常规模型的准确率为 89.90%，AUC 为 0.96。
• 某些混合配置（例如 HQC ResNet18 使用 10000 张图像时）在特定 VQC 设置下达到 0.90 的准确率和 0.90 的 AUC。
• 基于 VQC 的 QNN 提供基于表达能力的性能，并在某些配置下可与经典模型匹配。
• 研究使用 Pennylane 模拟器；未来工作包括在真实量子硬件上测试以及对对抗性攻击的鲁棒性。

Figure 2 : Framework of the workmodel