[论文解读] Medical image classification via quantum neural networks
该论文探索使用量子辅助神经网络和量子正交神经网络的量子神经网络方法来进行医疗图像分类，在PneumoniaMNIST和RetinaMNIST上进行基准测试，使用IBM硬件和仿真器。
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.
研究动机与目标
- 研究量子神经网络在当前硬件上是否能够辅助医疗图像分类。
- 评估两种QNN范式：量子辅助对经典网络的训练/推理以及量子正交神经网络。
- 在两个MedMNIST数据集（PneumoniaMNIST和RetinaMNIST）上对比基准，使用不同的数据加载器和硬件配置。
- 评估量子方法相对于经典基线的可扩展性、鲁棒性以及硬件引发的限制。
提出的方法
- 使用适用于NISQ硬件的QNN技术，通过量子电路协助对经典神经网络的训练与推理。
- 使用可重构分束器（RBS）电路的单元振幅编码实现数据加载。
- 用量子电路估计内积和向量乘法，以替代经典线性代数子程序。
- 开发并训练权重矩阵正交的量子正交神经网络，使用量子金字塔电路和基于门角的梯度训练（QPC）。
- 在IBM超导量子机（5、7和16量子比特）和仿真器上进行硬件实验，采用PCA降维至4或8个特征。
实验结果
研究问题
- RQ1在常用数据集上，量子辅助神经网络是否能与经典神经网络在医疗图像分类任务中媲美？
- RQ2在考虑硬件因素的训练下，量子正交神经网络是否提供相当或更优的性能？
- RQ3量子数据加载和电路深度如何影响近端量子硬件上的准确性和鲁棒性？
- RQ4当前量子硬件在医疗影像任务中应用QNN的实际局限性是什么？
主要发现
- 在仿真和部分硬件运行中，量子辅助神经网络在PneumoniaMNIST和RetinaMNIST上达到可比的AUC和准确率，与经典网络相当。
- 硬件结果表明，量子方法在若干任务上可达到接近经典基线的准确率，但硬件噪声会在更困难的任务上导致性能下降。
- 8维输入通常比4维输入获得更好的指标，仿真与经典性能一致，硬件因噪声导致随时间的方差。
- 通过基于角度优化（QPC）训练的正交量子神经网络可以产生显著不同的模型，在某些情况下的测试准确率高于SVB训练的同类。
- 仿真表明用于正交网络的量子启发式训练在RetinaMNIST上的准确率可超过基于SVB的训练（在特定设置下示例：75.25% vs 58.25% ACC）。
- 单元编码和硬件感知电路优化提高了当前IBM设备上量子计算的可靠性与准确性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。