用于肝脂肪变性诊断的混合量子图像分类与联邦学习
机器学习
2024-04-01 v2 计算机视觉与模式识别
量子物理
摘要
在肝移植领域，准确判定肝脂肪变性程度至关重要。认识到提升诊断精度的迫切需求，特别是通过快速处理易解病例来优化诊断时间、使专家能专注于更复杂病例，本研究旨在开发前沿算法以增强肝活检图像的分类。此外，在创建自动化算法解决方案时出现了数据隐私维护的挑战，因为医院间共享患者数据受限，进一步复杂化了开发与验证过程。本研究利用量子机器学习这一快速发展领域中以优越泛化能力著称的新颖技术来解决诊断准确性问题。同时，它通过实施具有隐私意识的协作机器学习即联邦学习来应对隐私担忧。我们提出了一种混合量子神经网络模型，利用真实世界临床数据准确评估非酒精性肝脂肪变性。该模型实现了 97% 的图像分类准确率，超越传统方法 1.8%。此外，通过采用允许不同客户端数据在保障隐私下共享的联邦学习方法，我们保持了超过 90% 的准确率。该举措标志着向可扩展、协作、高效且可靠的计算框架迈出重要一步，以辅助临床病理学家日常诊断工作。
引用
@article{arxiv.2311.02402,
title = {Hybrid quantum image classification and federated learning for hepatic steatosis diagnosis},
author = {Luca Lusnig and Asel Sagingalieva and Mikhail Surmach and Tatjana Protasevich and Ovidiu Michiu and Joseph McLoughlin and Christopher Mansell and Graziano de' Petris and Deborah Bonazza and Fabrizio Zanconati and Alexey Melnikov and Fabio Cavalli},
journal= {arXiv preprint arXiv:2311.02402},
year = {2024}
}
备注
13 pages, 3 figures, 2 tables