[论文解读] Hybrid Quantum Machine Learning Assisted Classification of COVID-19 from Computed Tomography Scans

Leo Sünkel, Darya Martyniuk+6 more|arXiv (Cornell University)|Oct 4, 2023

Quantum Computing Algorithms and ArchitectureComputer Science参考文献 41被引用 3

一句话总结

本文提出了一种混合量子机器学习方法，利用预训练的ResNet18进行特征提取，并通过变分量子电路对肺部CT扫描进行分类，分为COVID-19、CAP或正常三类。尽管面临有限的量子硬件和小样本数据集的挑战，该方法仍取得了中等性能，且在更小、更平衡的数据集上表现更优，凸显了在NISQ时代进行医学图像分类时，需要更深层次的电路和改进的编码技术。

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.

研究动机与目标

• 为解决在近期量子硬件条件下对大规模、高维肺部CT扫描进行COVID-19检测分类的挑战。
• 在量子资源有限的真实医学影像场景中，评估混合量子迁移学习（QTL）方法的应用。
• 在NISQ约束下，比较不同量子电路架构和编码技术在医学图像分类中的表现。
• 探究将经典与量子组件分离是否能提升混合量子-经典模型的性能与可解释性。
• 在相关医学数据集（PneumoniaMNIST、OrganAMNIST）上进行基准测试，以评估模型的泛化能力与可扩展性。

提出的方法

• 采用混合量子-经典流程，其中预训练的ResNet18从大尺寸CT扫描中提取特征，将维度降低至512维特征。
• 利用振幅编码或角度编码技术将512维特征向量映射为量子态。
• 评估了两种QTL变体：一种采用经修饰的量子电路（DQC），其经典层与量子层联合优化；另一种仅优化可训练的量子参数，不进行经典微调。
• 测试了含4、8和16量子比特的量子电路，深度分别为1、2和4，第二种方法仅优化旋转门的角度。
• 在DQC设置中端到端训练模型，而在第二种设置中仅训练量子参数，从而更清晰地归因性能表现至量子组件。
• 评估了多种量子电路与编码策略在多分类和二分类任务中的表达能力、可训练性与性能表现。

实验结果

研究问题

• RQ1 在当前NISQ硬件限制下，混合量子机器学习能否有效对大规模肺部CT扫描进行COVID-19、CAP或正常三类的分类？
• RQ2 在经典层联合优化与否的架构之间，量子迁移学习的性能表现有何差异？
• RQ3 不同的量子编码技术（如振幅编码与角度编码）对医学图像数据分类准确率有何影响？
• RQ4 增加量子电路的深度和量子比特数量是否能提升模型在COVID-19 CT分类任务中的性能？
• RQ5 在COVID-19数据集上的结果与在更小、更平衡的医学数据集（如PneumoniaMNIST和OrganAMNIST）上的结果相比如何？

主要发现

• 该模型在PneumoniaMNIST和OrganAMNIST数据集上的准确率和AUROC得分高于COVID-19多分类任务，表明在更大、更平衡的数据集上泛化能力更强。
• 采用振幅编码的量子电路在COVID-19数据集上的表现与其他方法相近，但性能仍受限，可能由于数据不平衡和样本量小。
• 采用经典与量子层联合优化的DQC方法性能优于严格分离的经典-量子设置，但掩盖了量子组件的实际贡献。
• 第二种方法仅训练量子电路参数并排除经典微调，使量子模型性能的评估更清晰，但结果仍较为一般。
• 增加量子比特数量和电路深度可能提升模型的表达能力与性能，但需进一步研究以确定最优架构并避免 barren plateaus（ barren plateaus ）现象。
• 结果表明，当前NISQ硬件及电路深度的限制，仍限制了有效分类大规模复杂医学图像的能力，即使采用混合量子-经典设计。