量子特徴と古典特徴の相補性：乳がん分類のための適応的ハイブリッド量子-古典特徴融合

Abstract

量子機械学習と古典的なディープラーニングを統合することで、高次元のヒルベルト空間へデータを写像することにより、医用画像解析に有望なアプローチが開かれます。しかし、これらの異なるパラダイムを効果的に統一することは、最適化における一般的な非対称性のために依然として困難です。本論文では、デュアルブランチの特徴抽出パイプラインに基づく、乳がん診断のための新しいハイブリッド量子-古典アーキテクチャを提案します。提案フレームワークでは、古典モデルと量子回路から、補完的な表現を抽出し統一し、学習可能な量子パラダイムと決定論的（非学習）な量子パラダイムの両方を探究します。これらの埋め込みを統合するために、3つの段階的特徴融合戦略を導入します。オフライン抽出のためのStatic Hybrid Fusion (SHF)、エンドツーエンドの協調適応のためのDynamic Hybrid Fusion (DHF)、そして新しいTemperature-Scaled Hybrid Fusion (TSHF)です。TSHF戦略は、多モーダル学習に着想を得た学習可能なスカラーを組み込み、ハイブリッドの勾配ダイナミクスを動的にバランスさせ、最適化のボトルネックを解消します。BreastMNISTデータセットでの実験的検証により、異なる特徴表現を統一することでより豊かなデータ文脈が生成されるという仮説が確認されました。特に、ResNetバックボーンと学習可能な量子回路を組み合わせた場合、TSHF戦略は最高精度87.82%、F1スコア91.77%、AUC-ROC 89.08%を達成し、純粋な古典ベースラインを上回りました。これらの結果は、提案するハイブリッドフレームワークが分類精度と閾値信頼性を向上させ、量子強化型診断ツールの臨床導入に向けた安定した高性能アーキテクチャを提供することを示しています。