医疗保健中的量子联合学习:从开发到部署以及从模型到数据的转变

科学领域:

• 量子计算是一种量子计算.
• 机器学习 机器学习
• 医疗保健信息学 医疗保健信息学

背景情况:

• 医疗保健数据是敏感的,受到严格的隐私规定,限制了传统的机器学习应用程序.
• 联合学习可以实现分布式机器学习,同时解决数据隐私和治理问题.
• 量子计算和机器学习的融合为医疗保健中先进的人工智能提供了新的机会.

研究的目的:

• 开发用于医学成像的联合量子机器学习 (FQML) 框架.
• 解决医疗保健中的优化,安全和隐私挑战.
• 为分布式训练实施联合量子卷积神经网络 (QCNNs).

主要方法:

• 提出了一个联合量子卷积神经网络 (QCNN) 架构.
• 通过使用基准医疗数据集 (肺炎MNIST,CT脏病) 在边缘设备上进行分布式训练.
• 实施了客户选择机制,以优化沟通回合和改善融合.

主要成果:

• 获得了竞争力的准确性:肺炎数据集的86.3%,CT-脏数据集的92.8%.
• 演示了与经典卷积神经网络 (CNN) 具有可比性能的性能.
• 与经典模型相比,需要较少的模型参数和消耗较少的数据.

结论:

• 拟议的FQML框架对于医学成像任务是可行的和有效的.
• 通过利用量子计算和联合学习,FQML提高了医疗保健AI中的隐私和效率.
• 客户端选择机制提高了融合率,并减少了计算开销.