近日,量子计算公司QC Ware宣布,与世界领先的生物技术公司罗氏利用量子计算在医学成像分析和诊断方面获得了新发现[1]。
研究表明,在某些情况下,新型模拟量子计算机器学习算法在分析开源视网膜医学图像以检测糖尿病性视网膜病变方面优于经典计算[2]。
相关研究在 IBM 的16-qubit 和 27-qubit 超导量子计算机上进行,研究人员使用了多达 6 个量子比特进行了直接实验,并在具有 100 多个量子比特的模拟系统上测试了算法。

这项名为“Quantum Vision Transformers(QVT)”的研究发现,QVT与经典模型相匹配,而且往往优于经典模型。
更重要的是,量子模型比经典基准更小,因此更容易训练且资源密集度更低,同时可以实现相同甚至是更好的结果。
为了衡量性能,研究团队将量子方法应用于标准化、公开可用的医学图像数据集,主要关注可用于检测和诊断糖尿病性视网膜病变阶段的视网膜图像。
详细研究,可查看文末引用[2]。此处仅提取部分内容,简要概述。
研究使用了MedMNIST,这是一个包含12个预处理的二维医学图像开放数据集 [YSN20, YSW+21]。该收藏已经标准化用于12种不同成像模态的分类任务,每个模态都有28×28像素的医学图像。
研究人员使用其模型在所有12个MedMNIST数据集上进行了模拟。对于硬件实验,则专注于RetinaMNIST。下面为实验数据:

研究发现,Quantum Orthogonal transformers和Quantum Compound Transformer 优于Orthogonal Fully-Connected和 Orthogonal Patch Wise,这可能是由于后者不依赖于任何跨补丁交换信息的机制。其次,与 Auto ML 基准相比,所有量子神经网络都提供了非常有竞争力的性能,并且在 12 个 Med MNIST 数据集中,7个优于其经典对应物。
量子硬件实验基于数据集RetinaMNIST(图像有1080张训练图像,120张验证图像和400张测试图像,每张图像28×28个RGB像素),在IBM 16-qubit和 27-qubit 超导量子计算机上进行。
在突破当前硬件的量子比特数量和电路深度的极限下(最高六个量子比特),运行了量子模型Orthogonal Patch-wise、Quantum Orthogonal transformers、Quantum Compound Transformer。每个量子模型都使用基于JAX的模拟器,并在IBM量子计算机上对RetinaMNIST的400张图像的整个测试数据集进行推理。下面为实验数据:

在量子计算机上得出的实验结论是,所有量子提案都达到了最先进的测试准确度,与经典计算相当。特别是,在模拟器上使用量子复合方法比经典计算更高效,并且它们没有有效的经典等价物。
然而,当前的硬件通常太嘈杂,即使只有少数量子比特也无法达到类似性能。
总的来说,实验显示了使用可训练但也能执行精确线性代数运算的量子线路的好处,这种方法可以更好地控制模型探索的 Hilbert 空间的大小,并提供既有表现力又可训练的模型。
研究作者、QC Ware 量子算法高级副总裁 Iordanis Kerenidis 说“这些结果非常令人鼓舞,我们很高兴能够领导研究,说明量子计算在加速图像分析和医学诊断方面的潜在未来。我们期待开展更多研究以推动这项重要工作向前发展,并希望能够提供更快、更准确的诊断工具,从而缩小医疗保健公平差距。”
QC Ware 首席执行官Matt Johnson表示:“这是第一次严格定义这些类型的量子神经网络架构,结果暗示量子在医疗保健中可以发挥越来越大的作用,无论是通过诊断还是药物发现,我们很自豪能够为接下来的事情构建基石。如果我们能够在像这样的小型量子系统上看到这样的性能,我对未来非常乐观。”
引用
[2]https://arxiv.org/abs/2209.08167
