摘要
本文展示了量子机器学习在医疗保健领域的有效应用。本文的研究强调了使用量子迁移学习进行组织病理学癌症检测的分类问题。本文提出的工作模型不是使用单个迁移学习模型，而是由多个迁移学习模型组成，特别是ResNet18、VGG-16、Inception-v3、AlexNet和几个高表达率的变分量子电路(VQC)。对这些模型和表现最好的迁移学习模型进行了对比分析，对组织病理学癌症检测的预测AUC≈0.93。我们还观察到，对于使用Resnet18的1000张图像，混合量子和经典(HQC)提供的精度(0.885)略高于经典(0.88)。
1.引言
根据美国癌症协会预测，到2023年，美国预计将出现190万新的癌症病例和60万人死亡。最近的一项研究表明，全球每年有1900万到2000万人死于癌症。在这种情况下，尽早发现癌细胞对于防止生命损失至关重要。人工智能(AI)有着广泛的应用，尤其是在医学领域。目前，一些传统的机器学习方法，包括高级深度学习、自监督学习和迁移学习，已经被成功检测并证明有助于检测不同类型的癌症，包括乳腺癌、burns和组织病理学癌症。
本文研究的工作介绍了混合量子机器学习在医学图像处理中的应用。重点研究了基于量子迁移学习的组织病理学癌症检测分类问题。本文提出的工作模型不是使用单一的学习模型，而是包括多个迁移学习模型，特别是ResNet18、VGG-16、Inception v3、AlexNet和不同的变分量子电路(VQC)。因此，本文提出了一种有效的新方法，在含噪中间尺度量子(NISQ)系统时代中，利用经典计算机和量子计算机的混合分类模型。本文希望利用变分量子电路提供可比的预测精度和高表达能力。
2.数据
这项工作使用的数据集是一组来自称为PatchCamelyon(PCam)的基准数据集的数字病理图像。这是一个来自Camelyon16数据的大规模补丁级数据集。这些块的聚集构成了幻灯片级图像，可用于预测转移的可能性，癌症的阶段。图1所示为显示癌症可能性的patch数据样本示例。数据集总共包含100k张图像。然而，我们在这个工作模型中使用了10k张图像。
图1:数据(图像)样本:(a)正常图像(b)癌变图像。
3.研究方法
该工作模型的框架由四个主要单元组成。 输入单元、经典迁移学习模型、基于 VQC 的量子神经网络 (QNN) 和经典人工神经网络 (ANN)。
输入单元：输入单元由一个大的数据集组成，多达100k的图像。输入数据集分为训练集、测试集和验证集。这三组工作作为所提出工作模型的下一个单元的输入——迁移学习模型，有时称为多层感知器。
迁移学习模型：该框架的第二个单元由在ImageNet数据集上训练的预训练迁移学习模型组成。任何著名的迁移学习模型都可以在这个单元中使用。然而，我们更愿意从分析ResNet-18、VGG-16、Inception-v3和AlexNet迁移学习模型开始。之后，我们根据迁移学习模型与量子神经网络(QNN)的兼容性，在这四个模型中选择最佳的迁移学习模型，并将其包含在最终的工作模型中。最初，原始图像数据被调整大小并输入到这些迁移学习模型中。为了调整图像大小，根据所选迁移学习模型的输入图像要求选择新的像素大小。这些迁移学习模型由三层组成——卷积层，池化层和全连接层。这些模型的最终全连接层用QNN进行修改。根据输出类别的数量，QNN被夹在两个神经元层和一个输出神经元层之间。在提出的工作模型中，使用迁移学习模型作为初始层的目标是从图像中仔细提取精心设计的特征。这些特征以后可以用作基于VQC的QNN的输入源。这种修改后的架构使我们能够将模型扩展到当前可用的量子硬件，这些硬件无法同时处理大量数据集。
图2：工作模型框架
基于VQC的量子神经网络：在经典迁移学习模型之前，提出了基于VQC的量子神经网络模型。该单元由输入层和重复VQC层组成。对这些层进行单量子比特旋转门和双量子比特控制门的多种配置测试，以构建QNN。从经典 CNN 接收到的特征由多个 VQC 转发和处理。 在多个 VQC 上处理特征后，我们选择具有最高表达能力的最佳 VQC。 本质上，VQC 可以处理由量子硬件引起的错误，并用于容错量子设备和 NISQ 设备上的有效计算。 作为最后一步，通过执行量子测量，获得 QNN 的最终结果。
经典ANN：本文架构的最后一个单元是全连接神经网络。量子单元(基于VQC的QNN)的输出通过softmax激活函数映射到该单元的最终输出层。
超参数调优：提高模型性能的超参数调优是深度学习模型的重要步骤之一。所提出的混合模型中考虑的超参数是初始化VQC层所需的量子比特数、批量大小、学习率、步长以及优化器，即Adam和随机梯度下降(SGD)。对于我们的混合模型，我们一直使用tanh激活函数，然后将数据输入到VQC层，并使用softmax函数作为混合模型和经典模型的最后一层。VQC提供了一种利用各种激活函数来调整模型参数的开放方法。
最终的工作模型包括经典CNN和VQC的最佳组合，以获得有效的预测精度。
4.研究结果
表一显示了在经典量子计算和混合量子计算上进行的各种实验的结果。第一列代表了该框架中使用的各种经典模型和混合模型。每个模型使用的图像数量如第二列所示。第三列提供了每个迁移学习模型实现的准确率百分比。通过对各种VQC各型号性能的分析，选出了最佳的VQC。第五列表示采用VQC。第五列中VQC的可表达性和量子比特数分别见第六列和第七列。
表一：模型性能和度量参数
我们评估了总共12个不同的主要模型。对于经典的迁移学习模型，我们在[9]中解释的量子迁移学习算法中选择了4个数据大小不同的模型。针对经典和量子混合计算模型，基于量子迁移学习算法中的VQC、量子比特数对8种不同量子线路的模型进行了评估。
图3：对于1000张图像，由经典ResNet18(红色实心)和混合CQ ResNet18(蓝色实心)生成的可靠性曲线。蓝色虚线表示理想的可靠性曲线，用于比较。
图 3 显示了从经典 ResNet18（实心红色）和混合 CQ ResNet18（实心蓝色）生成的总共 1000 张图像的可靠性曲线。模型可靠性曲线提供了模型如何校准的见解。对于二进制分类的情况下，模型校准是至关重要的，以确保模型结果不低于或超过。图3中中心的虚线显示了一个完美校准的模型。
图4：经典ResNet18(实心红色)和混合CQ ResNet18(实心蓝色)生成的ROC曲线。用于比较的理想ROC曲线为紫色虚线。
图4显示了不同分类阈值下的假阳性率(False Positive Rate, FPR)与真阳性率(True Positive Rate, TPR)的ROC曲线。展示了模型区分正类和反类的能力。ROC下的面积越大，表示模型将更多正类分类为正类，将更多负类分类为负类。中间的虚线表示模型没有区分正类和负类的能力。
图 5：从经典 ResNet18（红色实线）和混合 CQ ResNet18（蓝色实线）生成的精度与召回率曲线。 理想的 Precision - Recall 曲线以紫色虚线显示，用于比较。
图5显示了不同阈值的准确率与召回率的关系图。与ROC曲线一样，P-R曲线是一种用于可视化分类模型性能的重要曲线。二元分类的四种可能结果是真阳性(TP)、假阳性(FP)、真阴性(TN)和假阴性(FN)。准确率是真实阳性与所有预测阳性的比率，召回率是数据集中真实阳性与所有实际阳性的比率。
图6：给定模型中使用的VQC具有最高的表达能力，有四个量子寄存器q00, q01, q02, q03和旋转量子门。
5.结论及未来工作
在目前的工作中，我们使用所选择的迁移学习模型(ResNet-18、VGG-16、Inception-V3和AlexNet)测试了变分量子电路的不同组合。图4所示的基于ResNet-18的迁移学习模型的VQC电路提供了85%的性能精度，与具有相似架构的经典ResNet-18模型的90%的性能相当。这是探索变分量子电路在医学图像处理中执行量子机器学习任务的好处的第一步。
目前我们使用的是Pennylane提供的量子模拟器。下一步，我们计划在实际的量子硬件上测试我们训练过的量子电路。我们还计划比较这些模型对各种网络攻击的弹性，如对抗性攻击。本文提出的独特想法是由于量子系统的计算优势，量子纠缠发现各种反直觉模式的能力，以及VQCs在当前可用的噪声中等规模量子(NISQ)系统中的优势。我们坚信，该框架可以为评估医学图像提供可靠的机器学习模型，并且这些模型的性能将随着量子技术和经典计算的发展而提高。
