用于数字病理学中肿瘤分类的混合量子-经典图神经网络
量子物理
2023-10-18 v1 图像与视频处理
摘要
经典机器学习与单细胞技术的进展为理解疾病细胞与肿瘤微环境间的相互作用以加速治疗发现铺平了道路。然而，这些机器学习方法的挑战以及空间生物学中的NP难问题为量子计算算法创造了机遇。我们创建了一种混合量子-经典图神经网络（GNN），将GNN与变分量子分类器（VQC）结合，用于乳腺癌分型中二元子任务的分类。我们探索了同一模型的两种变体：第一种采用固定的预训练GNN参数，第二种采用GNN+VQC的端到端训练。结果表明，混合量子神经网络（QNN）在加权精确率、召回率和F1分数方面与最先进的经典图神经网络（GNN）相当。我们还展示，通过振幅编码，我们可用对数数量的量子比特压缩信息，并取得优于经典压缩的性能（经典压缩在两种机制下保持所需量子比特数不变的同时导致信息丢失）。最后，我们表明端到端训练能够改进固定GNN参数的情况，并也略微优于同维度的普通GNN。
引用
@article{arxiv.2310.11353,
title = {Hybrid quantum-classical graph neural networks for tumor classification in digital pathology},
author = {Anupama Ray and Dhiraj Madan and Srushti Patil and Maria Anna Rapsomaniki and Pushpak Pati},
journal= {arXiv preprint arXiv:2310.11353},
year = {2023}
}
备注
submitted to ICASSP 2023