⚡ electrical engineering

FQPDR: Federated Quantum Neural Network for Privacy-preserving Early Detection of Diabetic Retinopathy

本文提出了FQPDR，这是一种联邦量子神经网络框架，它利用隐私保护的协同学习，在不共享敏感患者数据的情况下，通过识别细微的微动脉瘤，实现对糖尿病视网膜病变的稳健、轻量级早期检测。

原作者： Debashis De, Mahua Nandy Pal, Dipankar Hazra

发布于 2026-05-12

📖 1 分钟阅读☕ 轻松阅读

原作者： Debashis De, Mahua Nandy Pal, Dipankar Hazra

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文《FQPDR：用于糖尿病视网膜病变隐私保护早期检测的联邦量子神经网络》的通俗化解释，辅以生动的类比。

宏观图景：在斑点扩散前发现微小痕迹

想象你的眼睛就像一台高分辨率相机。有时，糖尿病患者会在眼球后部出现微小的、几乎不可见的红点（称为微动脉瘤）。这些是糖尿病视网膜病变（DR） 的最早预警信号。如果你能尽早发现这些斑点，就能保住视力；如果等待太久，损伤将变得不可逆转。

问题在于，这些斑点微小且微弱。寻找它们就像在沙滩上寻找一粒沙子。传统的计算机程序（经典人工智能）擅长此道，但它们就像巨大且饥饿的怪兽：需要海量数据、庞大的计算能力和大量时间来学习。此外，它们还要求医院将所有患者的私密照片发送到中央服务器，这引发了隐私担忧。

本文提出了一种名为FQPDR的新解决方案。它结合了三种先进理念来解决这些问题：量子计算、联邦学习和神经网络。

1. “量子”大脑：超小型、超快速的侦探

类比： 想象传统计算机就像一位图书管理员，需要一本一本地阅读书籍来寻找特定的单词。而量子计算机则像一位能同时阅读图书馆里所有书籍的图书管理员，因为他们可以同时处于多种状态（这一概念称为叠加态）。

本文的做法：
作者没有使用庞大笨重的计算机大脑，而是构建了一个量子神经网络（QNN）。

轻量级： 传统人工智能可能需要数百万个“设置”（参数）来学习，而这种量子人工智能仅需15 个设置。这就像一位侦探只需几条线索就能解开复杂谜团，而老式侦探则需要整个文件柜。
高效： 由于利用了量子力学，它可以用极少的训练样本就能识别那些微小、微弱的红点（微动脉瘤）。这就像给孩子看三张图片就能教会他们识别猫，而传统计算机可能需要三千张图片。

2. “联邦”团队：在不共享秘密的情况下学习

类比： 想象不同医院的医生们想要更好地学习如何识别这些眼部斑点。

旧方法（集中式）： 他们都会将患者档案邮寄到一个中央办公室。中央办公室研究这些档案并发送回规则。风险在于？如果邮车被劫持，所有患者秘密都会被窃取。
新方法（联邦学习）： 医生们留在各自的医院。他们在自己的患者数据上训练自己的本地“侦探”。然后，他们只将学到的规则（数学设置）发送给中央协调员。协调员混合这些规则以创建一个“超级规则”并发送回去。患者的照片从未离开医院。

本文的做法：
作者建立了一个系统，其中三个不同的“虚拟”计算机（客户端）在本地数据上训练各自的量子模型。他们只将数学“权重”（大脑的设置）与中央服务器共享。这确保了患者隐私得到保护，因为实际图像从未在互联网上传输。

3. 流程：逐步运作方式

本文描述了一个具体的工作流程来实现这一目标：

切蛋糕（预处理）： 他们将大型视网膜图像切割成微小的切片（补丁），以便专注于可能存在斑点的特定区域。
翻译为量子语言（编码）： 计算机用 0 和 1 说话。量子计算机用“振幅”说话。作者使用了一种称为振幅编码的方法，将图像像素转换为量子态。这就像将一本书从英语翻译成只有量子计算机能读懂的量子秘密代码。
训练游戏：
- “量子侦探”查看数据。
- 它做出猜测。
- 如果错了，它会调整其 15 个设置（使用一种名为Adam 优化器的智能数学工具）。
- 这反复进行（100 轮或"epoch"），直到它变得非常擅长。
团队集会（聚合）： 三位本地侦探将他们的 15 个设置发送给中央服务器。服务器将它们取平均值（给予表现更好的侦探更多权重），以创建一个更聪明的全球侦探。这个全球版本被发送回本地医生再次使用。

4. 结果：它奏效了吗？

作者在三个不同的眼部图像数据集（E-ophtha、Retina MNIST 和 Kaggle）上测试了他们的系统。

准确率： 量子联邦系统非常准确，检测疾病的准确率通常达到**89-90%**左右。
对比： 与传统的（经典）人工智能相比，量子版本效率更高得多。经典人工智能需要33 个设置和62 轮训练才能获得类似的分数。而量子版本仅需15 个设置和24 轮。
隐私： 该系统成功地将数据保留在本地，证明了可以在不窃取患者隐私的情况下训练智能模型。
医生检查： 一位真实的眼科医生审查了系统的决策，发现它们“令人鼓舞”且与真实情况一致。

5. 陷阱（局限性）

本文诚实地指出了障碍：

硬件： 真正的量子计算机目前昂贵、稀缺，且有点“嘈杂”（就像带有静电的收音机）。它们目前拥有的“量子比特”（qubits）数量不多。
混合性质： 该系统目前部分在经典计算机上运行，部分在量子计算机上运行。它还不是一个完全独立的量子机器。
开销： 将图像翻译成量子代码需要额外的时间和努力。

总结

本文提出了一个FQPDR系统：用于Retina 病变Privacy 保护的Federated Quantum Neural Network（联邦量子神经网络）。

把它想象成一支间谍团队（联邦学习），他们利用超能力（量子计算）来解开谜团。与老式侦探相比，他们能用更少的线索更快地破案，而且从不向任何人透露他们的秘密文件。这是迈向未来的有希望的一步，在这个未来中，我们可以安全、高效地早期检测眼部疾病。

技术摘要：FQPDR——用于糖尿病视网膜病变隐私保护早期检测的联邦量子神经网络

1. 问题陈述

糖尿病视网膜病变（DR）是糖尿病患者致盲的主要原因，早期检测对于防止不可逆的眼部损伤至关重要。DR 的最早迹象是微动脉瘤（MA）的存在，这些微动脉瘤是微小的、低对比度的点，使得其检测成为一项具有挑战性的任务。

当前的深度学习方法，特别是卷积神经网络（CNN），面临显著局限：

资源密集型：它们需要大量的可学习参数和高内存，导致时间复杂度高。
数据隐私：集中式训练需要将敏感的患者医疗数据聚合到中央服务器上，这带来了数据泄露风险并违反隐私法规。
数据稀缺：获取足够的标注医疗数据十分繁琐，然而有效的训练通常需要大规模数据集。

2. 方法论

作者提出了FQPDR，这是一个专为隐私保护早期 DR 检测而设计的联邦量子神经网络（QNN）系统。该方法整合了三个核心组件：

2.1 量子神经网络（QNN）架构

该模型不使用经典神经元，而是利用参数化量子电路（PQC）。

数据编码：系统采用幅度编码将经典图像块（大小为 7x6x3，总计 126 像素）转换为量子态。填充两个零位以达到 128（ $2^7$ ）位，从而允许由7 量子比特系统进行表示。
电路设计：作者提出了一种轻量级的多层**最近邻（NN）**电路拓扑。该电路由交替的$RY$（旋转）门和受控-X（CNOT）纠缠门层组成。
参数：该模型极其轻量，仅使用15 个可学习参数（14 个旋转角和 1 个偏置）。
优化：系统评估了梯度下降、Nesterov 动量和 Adam 优化器。Adam 优化器被选为训练 QNN 参数最有效的方法。

2.2 联邦学习（FL）框架

为解决隐私问题，QNN 在联邦学习架构内进行训练：

去中心化训练：本地模型在边缘设备（客户端）上使用本地患者数据进行训练。原始数据永远不会离开本地设备。
聚合：仅将模型参数（权重）共享给中央联邦服务器。
全局模型：服务器使用加权平均方法（根据本地模型性能分配权重）聚合本地模型以创建全局模型，随后将其重新分发给客户端进行进一步训练。
隐私：这确保了敏感的医疗图像保留在本地节点上，同时受益于多样化的全局模型。

2.3 实施细节

数据集：该系统使用三个不同分辨率的数据集进行实施和验证：
- E-ophtha：高分辨率眼底图像（受 MA 影响和未受 MA 影响）。
- Retina MNIST：低分辨率（28x28）图像。
- Kaggle：用于交叉验证的大规模数据集。
环境：实验使用PennyLane在 Google Colaboratory 和AWS Braket（模拟量子硬件）上执行。
任务：系统专注于通过将图像块分类为“受影响”或“健康”来检测轻度 DR（微动脉瘤）。

3. 主要贡献

本文概述了以下具体贡献：

新颖架构：开发了一种联邦 QNN 系统（FQPDR），用于使用来自 E-ophtha、Kaggle 和 MNIST 数据集的视网膜图像进行早期 DR 检测。
隐私保护：实施联邦学习框架以确保医疗数据隐私，允许在不将原始患者数据传输到中央存储库的情况下进行模型训练。
参数效率：证明具有少量参数（15 个）的 QNN 能够从有限样本中有效地学习特征相关性，解决了标注医疗数据稀缺的挑战。
性能分析：将提出的 FQPDR 与现有的非联邦和联邦经典方法以及有限参数的经典 CNN 进行了全面比较。

4. 实验结果

该研究使用准确率、精确率、召回率、F1 分数和特异性对系统进行了评估。

优化器性能：在测试的优化器中，Adam产生了最高的性能。对于使用 Adam 优化器的 E-ophtha 数据集，联邦 QNN 达到了**89.74%**的验证准确率，优于非联邦 QNN（88.46%）和有限参数的经典 CNN（85.62%）。
收敛性：QNN 模型比经典 CNN 收敛得更快，达到相当或更好的准确率所需的轮数更少（QNN 为 24 轮，而 CNN 为 62 轮）。
交叉验证：在 E-ophtha 和 Retina MNIST 上训练的模型在 Kaggle 数据集上进行了交叉验证。该系统在检测轻度 DR 方面表现出鲁棒性，使用 E-ophtha 训练的模型在 Kaggle 集中正确识别了 19 张轻度 DR 图像中的 17 张。
与经典方法的比较：
- 提出的 FQPDR 仅使用15 个参数，而可比的经典联邦学习方法（Jagan Mohan 等人，2023）需要968,005 个参数。
- 尽管参数大幅减少，FQPDR 仍取得了具有竞争力的准确率（89.74% 对比经典方法的 98.6%，尽管经典方法使用了更大的数据集和不同的预处理）。
定性评估：一名注册眼科医生评估了该系统在测试图像上的预测结果。结果被描述为“令人鼓舞”，系统显示出从数据集中学习标注的高能力。

5. 意义与主张

作者声称，FQPDR 系统为医疗物联网（IoMT）提供了一种轻量级、安全且智能的解决方案。

效率：通过利用量子叠加和纠缠，QNN 以比经典 CNN 显著更少的参数和更少的计算开销捕捉复杂模式。
可扩展性与隐私：联邦方法允许在分布式边缘设备上进行可扩展训练，同时不损害患者数据隐私，使其适用于远程医疗应用。
基础性步骤：本文将这项工作定位为使用联邦 QNN 进行视网膜图像分类的基础方法。它承认当前的局限性，例如量子硬件的高成本和有限的可访问性、量子比特的噪声以及混合经典 - 量子训练的复杂性。然而，它断言，随着量子硬件的改进，该架构在彻底改变医疗诊断方面具有巨大潜力。

本文结论指出，联邦学习与量子神经网络的整合为糖尿病视网膜病变的早期、隐私保护检测提供了一条有前景的途径，特别是在资源受限或隐私敏感的环境中。