Core Concepts
量子機械学習は、大規模な胸部X線データセットにおける稀少かつ重要な疾患の多ラベル分類を改善する可能性がある。
Abstract
本研究では、Jaxベースのフレームワークを開発し、中規模量子ビット・アーキテクチャのシミュレーションを大幅に高速化した。このフレームワークを使って、8、14、19の疾患ラベルを持つ長尾分類の多ラベル分類タスクにおける量子転移学習の性能を評価した。
Jaxベースのフレームワークは、PyTorchとTensorFlowの実装と比較して、最大58%と95%の速度向上を示した。しかし、古典機械学習モデルと比較すると、量子機械学習モデルは収束が遅く、平均AUROCは0.70、0.73、0.74と低かった。一方、古典機械学習モデルの平均AUROCは0.77、0.78、0.80と高かった。
結論として、本研究は計算効率的なJaxベースのフレームワークを用いて、長尾分類の胸部X線画像分類のための量子転移学習の実装を提示した。
Stats
胸部X線データセットには、稀少かつ重要な疾患ラベルが存在し、長尾分布を示す。
量子機械学習モデルは、古典機械学習モデルと比較して収束が遅く、平均AUROCが低い。
量子機械学習モデルの平均AUROCは、8ラベルで0.70、14ラベルで0.73、19ラベルで0.74であった。
古典機械学習モデルの平均AUROCは、8ラベルで0.77、14ラベルで0.78、19ラベルで0.80であった。
Quotes
"量子機械学習は、大規模な胸部X線データセットにおける稀少かつ重要な疾患の多ラベル分類を改善する可能性がある。"
"Jaxベースのフレームワークは、PyTorchとTensorFlowの実装と比較して、最大58%と95%の速度向上を示した。"
"量子機械学習モデルは収束が遅く、平均AUROCは0.70、0.73、0.74と低かった。一方、古典機械学習モデルの平均AUROCは0.77、0.78、0.80と高かった。"