Analyzing Images of Blood Cells with Quantum Machine Learning Methods: Equilibrium Propagation and Variational Quantum Circuits to Detect Acute Myeloid Leukemia

技術要約：量子機械学習手法を用いた血液細胞画像の解析

問題提起
本論文は、実世界の医療画像、具体的には血液細胞の顕微鏡画像からの急性骨髄性白血病（AML）の自動検出に対して、量子機械学習（QML）を適用することの実現可能性を取り上げている。古典的な深層畳み込みニューラルネットワーク（CNN）はこの領域で高い精度を示しているが、それらはバックプロパゲーション（誤差逆伝播法）に依存している。しかし、この手法は量子システムとは根本的に相容れないものである。バックプロパゲーションは勾配を計算するために中間測定を必要とするが、測定は量子状態を崩壊させ、量子優位性に不可欠な重ね合わせや量子もつれを破壊してしまう。さらに、古典的な手法は多大な計算リソースと大規模なアノテーション済みデータセットを必要とすることが多く、これらは医療現場において獲得コストが高い。本研究は、限られた量子ビット数、低解像度の画像、およびバックプロパゲーションの不在といった厳しい制約条件下において、QMLアルゴリズムが競争力のある性能を達成できるかどうかを評価することを目的としている。

手法
著者らは、18,365枚の専門家によるアノテーション済み単一細胞血液塗抹画像（AML患者100名、健常コントロール100名）で構成されるAML-Cytomorphologyデータセットを使用した。すべての手法間で公平な比較を行い、かつ実用的な量子制約に適合させるため、画像は64×64ピクセルにリサイズされた。

本研究では、古典的なベースライン（CNNおよび高密度ニューラルネットワーク）に対し、2つの異なるアプローチを評価した。

1. 変分量子回路（VQC）:

   • アーキテクチャ: IBMのQiskitを用いた、古典シミュレーションによる4量子ビット分類器。
   • 入力処理: 生の画像をグレースケールに変換し、20個の設計されたスカラー特徴量（輝度統計、GLCMテクスチャ、形態学、エッジ指標、およびFFT周波数を含む）を抽出した。これらは主成分分析（PCA）によって4次元に削減され、回転ゲートのドメインに合わせて再スケーリングされた。
   • 回路設計: データエンコーディングによる量子もつれを生成するためにZZFeatureMapを採用し、NISQ（ノイズあり中規模量子）デバイス向けに最適化された浅いRealAmplitudesアンザッツ（2レイヤー、8個の学習可能パラメータ、深さ12）を用いた。
   • 学習: ハイブリッドな古典・量子ループを使用した。量子回路はブラックボックスとして機能し、古典的な最適化アルゴリズム（勾配フリーのCOBYLA）が、第1量子ビットの期待値（$\langle Z_0 \rangle$）とターゲットラベルとの間の平均二乗誤差を最小化するようにパラメータを反復的に調整した。これにより、量子勾配の計算を回避した。

2. 平衡伝播（Equilibrium Propagation: EP）:

   • 概念: 対称的な重みを持つホップフィールド型ニューラルネットワーク上で実装された、量子に着想を得たエネルギーベースの学習手法。
   • メカニズム: EPはバックプロパゲーションを完全に回避する。ネットワークは2つのフェーズを通じて学習される。「自由フェーズ」では、入力に基づいてネットワークが平衡状態に落ち着き、「ナッジ（微小摂動）フェーズ」では、出力ニューソルがターゲットラベルに向かって弱く調整される。重みの更新は、これら2つの平衡状態の差から導出される。
   • アーキテクチャ: モメンタムSGDと早期終了を用いて学習された、層状ネットワーク（隠れユニット数：256–128–64、活性化関数：tanh）である。

実験プロトコル
データの効率性を評価するため、著者らはデータセットから、クラスあたり50、100、200、および250サンプルを含むバランスの取れたサブセットを構築した。すべてのモデルは、層化80/20の訓練・テスト分割を用いて評価された。VQCおよびEPモデルは、同一の実験条件下で古典的なCNNおよび高密度NNのベースラインと比較された。

主な結果

• フルサブセット（クラスあたり250サンプル）での性能:
  • 古典的CNN: 98.4% の精度を達成（訓練時間：745秒）。
  • 平衡伝播（EP）: 86.4% の精度を達成（訓練時間：89.4秒）。これは、バックプロパゲーションを使用せずにCNNとの差をわずか12%に抑えたことを示している。
  • 変分量子回路（VQC）: 83.0% の精度を達成（訓練時間：180秒）。
• データ効率:
  • VQCは顕著な安定性を示し、わずかクラスあたり50サンプルでも**83%**の精度を維持した。
  • 対照的に、古典的CNNは、ピーク性能である98.4%に達するために、クラスあたり250サンプル（5倍のデータ）を必要とした。50サンプル時点では、CNNの精度は92%まで低下した。
  • このことは、量子手法がよりデータ効率的である可能性を示唆しており、専門家によるアノテーションが希少な医療領域において極めて重要な利点となる。

意義および主張
本論文は、これらの結果がヘルスケアにおけるQMLの再現可能なベースラインを確立し、NISQ時代におけるこれらの手法の実現可能性を検証するものであると主張している。主な主張は以下の通りである。

1. バックプロパゲーションなしでの実現可能性: EPの成功は、エネルギーベースの学習が、臨床データを用いてニューラルネットワークを訓練するための、量子互換性のある実行可能な代替手段となり得ることを証明している。
2. 量子優位性としてのデータ効率: 古典的CNNは現在、絶対的な精度においては高い精度を保持しているものの、VQCが最小限の訓練データ（50サンプル）で堅牢な性能を維持できる能力は、大規模なデータセットが入手困難な希少疾患研究における潜在的な優位性を浮き彫りにしている。
3. NISQとの互換性: 深さ12の浅い回路設計は、現在のハードウェア制約（例：約100量子ビットと限定されたコヒーレンス時間を持つIBM量子システム）に明示的に最適化されており、近接した実験的検証が可能であることを示唆している。
4. リソース制約下での展開: 著者らは、EPが低い推論時間（0.13秒）とバックプロパゲーションの欠如により、ニューロモーフィック・ハードウェアへのエッジ展開に特に適しており、バッテリー駆動のポイント・オブ・ケア診断を可能にする可能性があると述べている。

著者らは、現在の結果が理想的な状態ベクトルシミュレーション（ショットノイズやゲートエラーを考慮していないもの）に基づいていること、および特徴量エンジニアリングがエンドツーエンドのCNNと比較して表現能力を制限していることを認め、控えめなトーンを維持している。彼らは、古典的手法が現在、絶対的な精度において量子手法を上回っているものの、モデルの容量よりもデータの可用性が制限要因となる場合、量子手法は競争力のある性能を提供できると結論付けている。