A Hybrid Quantum Neural Network - Assisted Deep Learning Framework for Automated Centralserous Retinopathy Detection Using Oct Images

기술 요약: 자동 중심성 장액성 망막병증(CSR) 탐지를 위한 HQNNDL 프레임워크

문제 정의
중심성 장액성 망막병증(CSR)은 신경감각 망막 아래에 장액성 액체가 축적되는 특징을 가진 망막 질환이다. 광간섭 단층촬영(OCT)이 진단을 위한 표준 영상 기법이지만, 현대 클리닉에서 생성되는 스캔의 양은 전문가의 수동 검토 능력을 초과하고 있다. 기존의 자동 진단 시스템은 고전적인 이미지 처리에서 딥러닝으로 진화해 왔으나, 저자들은 양자 처리 단계가 유사한 크기의 고전적 레이어보다 구조적 이점을 제공할 수 있는지 탐구할 필요가 있다고 판단했다. 본 연구의 중요한 실질적 제약 사항은 임상적으로 등급이 매겨진 대규모 CSR 데이터셋의 부재였다. 결과적으로, 저자들은 직접적인 정답(ground-truth) CSR 라벨 없이 탐지 시스템을 개발해야 하는 과제에 직면했으며, 이를 위해 구조적 대리 지표(structural proxies)를 사용할 필요가 있었다.

방법론: HQNNDL 프레임워크
본 논문은 4개 클래스 OCT 이미지 분류를 위해 설계된 하이브리드 양자-고전 파이프라인인 HQNNDL을 제안한다. 시스템 아키텍처는 다음과 같은 몇 가지 뚜렷한 단계로 나뉜다:

1. 입력 검증 (Input Validation): 처리 전, 입력 검증 게이트는 색상 채널 분산, 수평 레이어 밴딩, 어두운 영역 비율, 강도 이봉성(intensity bimodality)의 네 가지 속성을 분석하여 비망막 이미지(예: 컬러 사진)를 거부한다. 점수가 0.42 미만인 이미지는 제외된다.
2. 고전적 특징 추출 (Classical Feature Extraction): ImageNet으로 사전 학습되고 **동결(frozen)**된(미세 조정되지 않은) ResNet-18 백본이 검증된 OCT 이미지로부터 512차원 특징 벡터를 추출한다. 저자들은 분포 불일치를 피하기 위해 이 특징 추출이 원본 이미지에 적용되어야 함을 명시적으로 언급했다.
3. 양자 특징 처리 (Quantum Feature Processing): 가장 큰 크기를 가진 8개의 특징 차원이 8-큐비트 레지스터에 진폭 인코딩(amplitude-encoded)된다. 이는 세 개의 레이어로 구성된 변분 양자 회로(VQC)에 의해 처리된다. 각 레이어는 단일 큐비트 회전($R_z$ 및 $R_x$)을 적용한 후 CNOT 얽힘 게이트 링을 적용한다. 회로는 48개의 파라미터를 포함한다. 결정적으로, 이 파라미터들은 초기값으로 고정된다. 즉, VQC는 공동 학습되는 구성 요소가 아니라 고정된 비선형 변환으로서 작동한다. 출력은 8차원의 기대값 벡터이다.
4. 하이브리드 분류 (Hybrid Classification): 8차원의 양자 출력은 512차원의 고전적 특징과 결합된다. 이 결합된 벡터는 ReLU 활성화 함수, 드롭아웃, L2 규제를 포함하는 완전 연결 네트워크(512→256→64→4)를 통과한다. 이 분류기가 파이프라인의 유일한 학습 구성 요소이다.
5. 지원 모듈 (Supporting Modules): 시스템에는 바이오마커 점수 산출(6가지 구조적 점수와 같은 하위 망막 액체 범위 계산), 영향 영역 탐지(Saliency map 및 Bounding box 생성)를 포함한 보조 모듈이 포함된다. 이 모듈들은 양자 단계와 독립적으로 작동한다.

주요 기여
저자들은 이 작업을 완성된 임상 도구가 아닌, 하이브리드 아키텍처를 테스트하기 위한 타당성 조사이자 정직한 첫걸음으로 규정한다. 구체적인 기여는 다음과 같다:

• 엔드 투 엔드 파이프라인: 검증, 특징 추출, 양자 처리, 분류 및 보고서 생성을 통해 원시 OCT 이미지를 처리하는 작동 가능한 시스템.
• 투명한 평가: 단순한 헤드라인 정확도가 아닌, 클래스별 메트릭 및 혼동 패턴 분석을 포함한 별도의 검증 세트에 대한 상세한 분석.
• 보조 출력: 실제적인 스크리닝 워크플로우를 시뮬레이션하기 위한 바이오마커 점수 산출, 국소화 및 보고서 생성의 통합.
• 명시적 한계: 공동 학습의 부재로 인한 양자 단계의 검증되지 않은 기여도를 포함하여, 본 연구가 입증하지 못한 부분에 대한 명확한 설명.

결과
시스템은 공개된 OCT2017 데이터셋에서 4,000장의 이미지를 층화 추출한 샘플을 사용하여 학습 및 평가되었다. 전용 CSR 데이터셋의 부재로 인해, 저자들은 **DME (당뇨병성 황반부종)**와 CNV (맥락막 신생혈관) 카테고리를 각각 CSR Grade I 및 Grade II의 구조적 대리 지표로 사용하였다. "기타 병리(Other Pathology)" 클래스는 Drusen(드루젠)으로 구성되었다.

• 성능: 800장의 이미지(클래스당 200장)로 구성된 별도의 검증 세트에서, 시스템은 79.0%의 정확도와 0.787의 매크로 F1-score를 달립다.
• 클래스별 성능: "정상(Normal)" 클래스가 가장 높은 재현율(0.885)을 기록했다. "기타 병리"(Drusen 대리 지표) 클래스는 가장 낮은 재현율(0.645)을 보였는데, 저자들은 이를 동결된 백본과 결합하여, 대리 클래스들의 명확한 액체 축적에 비해 Drusen 침착물이 갖는 미묘한 특성 때문이라고 분석했다.
• 지연 시간 (Latency): CPU에서의 이미지당 총 추론 시간은 약 475ms였으며, 양자 시뮬레이션 단계(NumPy 기반)가 대부분의 시간(약 320ms)을 차지했다.

의의 및 주장
논문은 자신의 결과에 대해 겸손하고 엄격한 태도를 유지한다:

• 양자 우위 미주장: 저자들은 79.0%의 정확도가 전체 고정 파이프라인의 속성이지, 양자 우위의 증거가 아님을 명시적으로 밝힌다. VQC 파라미터가 학습되지 않았기 때문에, 양자 단계의 실제 기여도(도움이 되는지, 해가 되는지, 혹은 중립적인지)는 아직 격리되어 입증되지 않았다.
• 임상적 타당성보다는 타당성 검토: 이 작업은 하이브리드 아키텍처를 위한 개념 증명(Proof-of-concept)으로 프레임화되었다. 저자들은 대리 라벨링 체계를 사용했기 때문에 보고된 수치를 검증된 CSR 탐지율로 읽어서는 안 된다고 강조한다.
• 아키텍처적 호기기: 주요 동기는 작은 양자 회로가 고전적 레이어보다 더 압축적으로 비선형 결정 경계를 표현할 수 있는지 테스트하는 것이다. 논문은 이에 답하기 위해서는 경험적 테스트가 필요하며, 본 연구가 이를 시작했으나 완전히 해결하지는 못했다고 주장한다.
• 향후 요구 사항: 저자들은 임상적 타당성이나 성능 주장을 확립하기 위해서는 데이터셋 확장, CNN 백본의 미세 조정, 양자 회로의 공동 학습, 고전적 베이스라인과의 절제 실험(ablation studies), 그리고 전문가 주석에 대한 보조 출력 검증이 필요하다고 명시했다.

결론적으로, 본 논문은 하이브리드 파이프라인을 의료 영상 워크플로우에 통합한 완전하고 투명하게 평가된 시스템을 제시하며, 현재의 실험적 결과와 향후 임상 배포를 위한 요구 사항 사이의 경계를 엄격하게 구분하고 있다.