기술 요약: FQPDR – 당뇨망막병증의 조기 발견을 위한 프라이버시 보호형 연방 양자 신경망

1. 문제 제기

당뇨망막병증 (DR) 은 당뇨 환자들 사이에서 실명의 주요 원인이며, 비가역적인 안구 손상을 예방하기 위해서는 조기 발견이 필수적입니다. DR 의 가장 초기 징후는 미세동맥류 (MA) 의 존재이며, 이는 작고 대비가 낮은 점으로 나타나 detection 을 어렵게 만듭니다.

현재의 딥러닝 접근법, 특히 합성곱 신경망 (CNN) 은 다음과 같은 중대한 한계에 직면해 있습니다:

• 자원 집약성: 이들은 많은 수의 학습 가능 파라미터와 높은 메모리를 요구하여 높은 시간 복잡도를 초래합니다.
• 데이터 프라이버시: 중앙 집중식 학습은 중앙 서버에 민감한 환자 의료 데이터를 집계해야 하므로, 데이터 유출 위험과 프라이버시 규정 위반을 초래합니다.
• 데이터 부족: 충분한 주석 달린 의료 데이터를 확보하는 것은 지루한 작업이지만, 효과적인 학습을 위해서는 종종 대규모 데이터셋이 필요합니다.

2. 방법론

저자들은 당뇨망막병증의 조기 발견을 위한 프라이버시 보호형 연방 양자 신경망 (QNN) 시스템인 FQPDR을 제안합니다. 이 방법론은 세 가지 핵심 구성 요소를 통합합니다:

2.1 양자 신경망 (QNN) 아키텍처

고전적 뉴런 대신, 이 모델은 매개변수화된 양자 회로 (PQC) 를 활용합니다.

• 데이터 인코딩: 시스템은 고전적 이미지 패치 (크기 7x6x3, 총 126 픽셀) 를 양자 상태로 변환하기 위해 **진폭 인코딩 (Amplitude Encoding)**을 사용합니다. 128 ($2^7$) 비트에 도달하도록 두 개의 0 비트를 패딩하여 7-큐비트 시스템으로 표현할 수 있게 합니다.
• 회로 설계: 저자들은 경량 다층 최접근 이웃 (Nearest Neighbor, NN) 회로 토폴로지를 제안합니다. 이 회로는 $RY$(회전) 게이트와 제어-X(CNOT) 얽힘 게이트가 교대로 배치된 레이어로 구성됩니다.
• 파라미터: 이 모델은 극도로 경량화되어 15 개의 학습 가능 파라미터(14 개의 회전 각도와 1 개의 편향) 만을 사용합니다.
• 최적화: 시스템은 경사 하강법, 네스테로프 모멘텀, Adam 최적화기를 평가합니다. Adam 최적화기가 QNN 파라미터 학습에 가장 효과적이므로 선택됩니다.

2.2 연방 학습 (FL) 프레임워크

프라이버시 문제를 해결하기 위해 QNN 은 연방 학습 아키텍처 내에서 학습됩니다:

• 분산 학습: 로컬 모델은 로컬 환자 데이터를 사용하여 엣지 장치 (클라이언트) 에서 학습됩니다. 원시 데이터는 로컬 장치를 떠난 적이 없습니다.
• 집계: 모델 파라미터 (가중치) 만 중앙 연방 서버와 공유됩니다.
• 글로벌 모델: 서버는 로컬 모델을 가중 평균 방식 (로컬 모델 성능에 기반한 가중치 할당) 으로 집계하여 글로벌 모델을 생성한 후, 이를 추가 학습을 위해 클라이언트에 재배포합니다.
• 프라이버시: 이를 통해 민감한 의료 이미지는 로컬 노드에 머무르면서도 다양하고 글로벌한 모델의 혜택을 받을 수 있습니다.

2.3 구현 세부 사항

• 데이터셋: 시스템은 다양한 해상도의 세 가지 데이터셋을 사용하여 구현 및 검증되었습니다:
  • E-ophtha: 고해상도 안저 이미지 (미세동맥류 영향 및 무영향).
  • Retina MNIST: 저해상도 (28x28) 이미지.
  • Kaggle: 교차 검증을 위해 사용된 대규모 데이터셋.
• 환경: 실험은 Google Colaboratory 와 AWS Braket(양자 하드웨어 시뮬레이션) 에서 PennyLane을 사용하여 수행되었습니다.
• 작업: 시스템은 이미지 패치를 "영향 있음" 또는 "건강함"으로 분류하여 경미한 DR(미세동맥류) 을 탐지하는 데 중점을 둡니다.

3. 주요 기여

본 논문은 다음과 같은 구체적인 기여를 제시합니다:

1. 새로운 아키텍처: E-ophtha, Kaggle, MNIST 데이터셋의 망막 이미지를 사용하여 조기 DR 탐지를 위한 연방 QNN 시스템 (FQPDR) 개발.
2. 프라이버시 보호: 원시 환자 데이터를 중앙 저장소로 전송하지 않고도 모델 학습이 가능하도록 하여 의료 데이터 프라이버시를 보장하는 연방 학습 프레임워크 구현.
3. 파라미터 효율성: **적은 수의 파라미터 (15 개)**를 가진 QNN 이 제한된 샘플로부터 효과적으로 특징 상관관계를 학습할 수 있음을 입증하여, 주석 달린 의료 데이터 부족 문제를 해결함.
4. 성능 분석: 제안된 FQPDR 과 기존 비연방 및 연방 고전적 방법, 그리고 제한된 파라미터의 고전적 CNN 에 대한 포괄적인 비교.

4. 실험 결과

이 연구는 정확도, 정밀도, 재현율, F1-점수, 특이도를 사용하여 시스템을 평가했습니다.

• 최적화기 성능: 테스트된 최적화기 중 Adam이 가장 높은 성능을 보였습니다. Adam 최적화기를 사용한 E-ophtha 데이터셋의 경우, 연방 QNN 은 **89.74%**의 검증 정확도를 달성하여 비-FL QNN(88.46%) 과 제한된 파라미터의 고전적 CNN(85.62%) 을 능가했습니다.
• 수렴: QNN 모델은 고전적 CNN 보다 빠르게 수렴하여 동등하거나 더 나은 정확도를 달성하는 데 더 적은 에포크 (QNN 은 24 에포크, CNN 은 62 에포크) 가 필요했습니다.
• 교차 검증: E-ophtha 와 Retina MNIST 에서 학습된 모델은 Kaggle 데이터셋에서 교차 검증되었습니다. 시스템은 경미한 DR 탐지에서 견고성을 입증하여, E-ophtha 로 학습된 모델을 사용하여 Kaggle 세트의 19 개 경미한 DR 이미지 중 17 개를 정확히 식별했습니다.
• 고전적 방법과의 비교:
  • 제안된 FQPDR 은 15 개의 파라미터만 사용하는 반면, 비교 가능한 고전적 FL 방법 (Jagan Mohan et al., 2023) 은 968,005 개의 파라미터가 필요했습니다.
  • 파라미터의 급격한 감소에도 불구하고, FQPDR 은 경쟁력 있는 정확도 (89.74% 대 고전적 방법의 98.6%) 를 달성했습니다 (다만 고전적 방법은 훨씬 더 큰 데이터셋과 다른 전처리를 사용했습니다).
• 정성적 평가: 등록 안과 의사가 테스트 이미지에 대한 시스템의 예측을 평가했습니다. 결과는 "영감을 주는" 것으로 묘사되었으며, 시스템은 데이터셋에서 주석을 학습하는 데 높은 능력을 보여주었습니다.

5. 중요성 및 주장

저자들은 FQPDR 시스템이 의료 사물인터넷 (IoMT) 을 위한 경량, 보안, 지능형 솔루션을 제공한다고 주장합니다.

• 효율성: 양자 중첩과 얽힘을 활용함으로써 QNN 은 고전적 CNN 에 비해 훨씬 적은 파라미터와 계산 오버헤드로 정교한 패턴을 포착합니다.
• 확장성과 프라이버시: 연방 접근법은 환자 데이터 프라이버시를 훼손하지 않고 분산된 엣지 장치 간에 확장 가능한 학습을 가능하게 하여 원격 의료 응용에 적합합니다.
• 기초적 단계: 이 논문은 연방 QNN 을 사용한 망막 이미지 분류를 위한 기초적 접근법으로 이 작업을 위치시킵니다. 양자 하드웨어의 높은 비용과 제한된 접근성, 큐비트의 노이즈, 하이브리드 고전 - 양자 학습의 복잡성과 같은 현재의 한계를 인정합니다. 그러나 양자 하드웨어가 발전함에 따라 이 아키텍처는 의료 진단을 혁신할 상당한 잠재력을 지니고 있다고 주장합니다.

본 논문은 연방 학습과 양자 신경망의 통합이 특히 자원이 제한적이거나 프라이버시가 민감한 환경에서 당뇨망막병증의 조기 및 프라이버시 보호형 탐지를 위한 유망한 경로를 제공한다고 결론지었습니다.