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

기술 요약: 양자 머신러닝 방법을 이용한 혈구 이미지 분석

문제 정의
본 논문은 실제 의료 영상, 구체적으로는 혈액 세포 현미경 이미지로부터 급성 골수성 백혈병(AML)을 자동 탐지하는 데 양자 머신러닝(QML)을 적용하는 것의 타당성을 다룹니다. 고전적인 심층 합성곱 신경망(CNN)은 이 분야에서 높은 정확도를 입증해 왔으나, 이는 양자 시스템과 근본적으로 호환되지 않는 역전파(backpropagation) 방식에 의존합니다. 역전파는 그래디언트를 계산하기 위해 중간 측정을 요구하는데, 이는 양자 상태를 붕괴시켜 양자 이점에 필수적인 중첩과 얽힘을 파괴합니다. 또한, 고전적 방법은 상당한 계산 자원과 대규모의 주석(annotation)이 달린 데이터셋을 요구하는 경우가 많으며, 이는 의료 환경에서 비용이 많이 드는 작업입니다. 본 연구는 제한된 큐비트 자원, 감소된 이미지 해상도, 그리고 역전파의 부재라는 엄격한 제약 조건 하에서 QML 알고리즘이 경쟁력 있는 성능을 달립 수 있는지 평가하는 것을 목표로 합니다.

방법론
저자들은 100명의 AML 환자와 100명의 건강한 대조군을 포함하여 총 18,365개의 전문가 주석이 달린 단일 세포 혈액 도말 이미지를 포함하는 AML-Cytomorphology 데이터셋을 활용하였습니다. 모든 방법론 간의 공정한 비교를 보장하고 실질적인 양자 제약 조건에 맞추기 위해, 이미지는 64×64 픽셀로 크기가 조정되었습니다.

연구는 고전적 베이스라인(CNN 및 Dense Neural Networks)에 대해 두 가지 구별된 접근 방식을 평가했습니다.

1. 변분 양자 회로 (Variational Quantum Circuits, VQC):

   • 아키텍처: IBM의 Qiskit을 이용한 클래식 시뮬레이션으로 구현된 4-큐비트 분류기입니다.
   • 입력 처리: 원본 이미지를 그레이스케일로 변환한 후, 20개의 공학적 스칼라 특징(강도 통계, GLCM 텍스처, 형태학, 에지 메트릭 및 FFT 주파수 포함)을 추출했습니다. 이 특징들은 주성분 분석(PCA)을 통해 4차원으로 축소되었으며, 회전 게이트 도메인에 맞게 재조정되었습니다.
   • 회로 설계: 데이터 인코딩을 통한 얽힘 생성을 위해 ZZFeatureMap을 사용하였고, 노이즈가 있는 중간 규모 양자(NISQ) 장치에 최적화된 얕은 RealAmplitudes 안사츠(2개 레이어, 8개 학습 가능 파라미터, 깊이 12)를 채택했습니다.
   • 학습: 하이브리드 클래식-양자 루프가 사용되었습니다. 양자 회로는 블랙박스로 작동하며, 클래식 최적화 도구(그래디언트 프리 방식인 COBYLA)가 첫 번째 큐비트의 기대값($\langle Z_0 \rangle$)과 타겟 레이블 사이의 평균 제곱 오차를 최소화하도록 파라미터를 반복적으로 조정했습니다. 이는 양자 그래디언트 계산의 필요성을 피하기 위함입니다.

2. 평형 전파 (Equilibrium Propagation, EP):

   • 개념: 대칭 가중치를 가진 홉필드 유사 신경망(Hopfield-like neural networks)에서 구현된 양자 영감 기반의 에너지 기반 학습 방법입니다.
   • 메커니즘: EP는 역전파를 완전히 배제합니다. 이 방식은 두 단계, 즉 입력에 따라 네트워크가 평형 상태에 도달하는 "자유 단계(Free Phase)"와 출력 뉴런이 타겟 레이블을 향해 약하게 조정되는 "넛지 단계(Nudged Phase)"를 통해 네트워크를 학습시킵니다. 가중치 업데이트는 이 두 평형 상태 사이의 차이로부터 유도됩니다.
   • 아키텍처: 모멘텀 SGD와 조기 종료(early stopping)를 사용하여 학습된 레이어 구조의 네트워크(256–128–64 은닉 유닛 및 tanh 활성화 함수)입니다.

실험 프로토콜
데이터 효율성을 평가하기 위해 저자들은 데이터셋에서 클래스당 50, 100, 200, 250개의 샘플을 포함하는 균형 잡힌 서브셋을 구성했습니다. 모든 모델은 80/20 층화 추출(stratified split)을 통해 평가되었으며, VQC와 EP 모델은 동일한 실험 조건 하에서 고전적 CNN 및 Dense NN 베이스라인과 비교되었습니다.

주요 결과

• 전체 서브셋 성능 (클래스당 250개 샘플):
  • 고전적 CNN: 98.4% 정확도 달성 (학습 시간: 745초).
  • 평형 전파 (EP): 86.4% 정확도 달성 (학습 시간: 89.4초). 이는 역전파를 사용하지 않고도 CNN과의 격차를 단 12%로 좁혔음을 의미합니다.
  • 변분 양자 회로 (VQC): 83.0% 정확도 달성 (학습 시간: 180초).
• 데이터 효율성:
  • VQC는 놀라운 안정성을 보여주었으며, 단 클래스당 50개의 샘플만으로도 **83%**의 정확도를 유지했습니다.
  • 반면, 고전적 CNN은 최고 성능인 98.4%에 도달하기 위해 **클래스당 250개(5배 더 많은 데이터)**의 샘플이 필요했습니다. 50개 샘의 경우 CNN의 정확도는 92%로 떨어졌습니다.
  • 이는 양자 방법이 더 높은 데이터 효율성을 가질 수 있음을 시사하며, 이는 전문가의 주석 확보가 어려운 의료 분야에서 중요한 이점입니다.

의의 및 주장
본 논문은 이러한 결과가 의료 분야를 위한 재현 가능한 QML 베이스라인을 구축하며, NISQ 시대에 이러한 방법들의 타당성을 검증한다고 주장합니다. 주요 주장은 다음과 같습니다:

1. 역전파 없는 타당성: EP의 성공은 에너지 기반 학습이 임상 데이터를 사용하여 신경망을 학습시키는 데 있어 역전파를 대체할 수 있는 실행 가능한 양자 호환 대안이 될 수 있음을 입증합니다.
2. 데이터 효율성으로서의 양자 이점: 현재 고전적 CNN이 절대적인 정확도 면에서는 더 높지만, 최소한의 학습 데이터(50개 샘플)로도 견고한 성능을 유지하는 VQC의 능력은 대규모 데이터셋을 사용할 수 없는 희귀 질환 연구에서의 잠재적 이점을 강조합니다.
3. NISQ 호환성: 12-깊이의 얕은 회로 설계는 현재의 하드웨어 제약(예: 약 100개의 큐비트와 제한된 결맞음 시간을 가진 IBM 퀀텀 시스템)에 명시적으로 최적화되어 있어, 근거리 실험적 검증이 가능함을 시사합니다.
4. 자원 제약적 배포: 저자들은 낮은 추론 시간(0.13초)과 역전파의 부재를 가진 EP가 뉴로모픽 하드웨어 상의 엣지 배포에 특히 적합하며, 이를 통해 배터리로 구동되는 현장 진단(point-of-care diagnostics)을 가능하게 할 수 있다고 언급합니다.

저자들은 현재의 결과가 이상적인 상태 벡터 시뮬레이션(샷 노이즈나 게이트 오류를 고려하지 않음)에 의존하고 있으며, 특징 공학(feature engineering)이 엔드 투 엔드(end-to-end) CNN에 비해 표현 능력을 제한한다는 점을 인정하며 신중한 어조를 유지합니다. 결론적으로, 고전적 방법이 현재 절대적 정확도에서는 우위에 있으나, 모델 용량보다 데이터 가용성이 제한 요소가 되는 상황에서는 양자 방법이 경쟁력 있는 성능을 제공한다는 점을 밝히고 있습니다.