Quantum Machine Learning for disease diagnosis from

Medical images

Hapi Kamgang Franck

October 22, 2024

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 1 / 17
Contenu de la Présentation

Contexte
Travaux antérieurs sur le Quantum Machine Learning for disease
diagnosis from medical images
Objectif du Mémoire
Études a mener
Références

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 2 / 17
 Contexte

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 3 / 17
Contexte
Qu’est ce que le diagnostique médical

Le diagnostic médical identifie la maladie ou les conditions qui expliquent

les symptômes et les signes d’une personne. En règle générale, les
informations diagnostiques sont recueillies à partir des antécédents
médicaux du patient et de son examen physique. Cela est souvent difficile
en raison du fait que de nombreuses indications et symptômes sont
ambigus et ne peuvent être diagnostiqués que par des experts de la santé
qualifiée. Par conséquent, les pays qui manquent de professionnels de la
santé pour leur population, comme les pays en développement comme le
Bangladesh et l’Inde, ont du mal à fournir des procédures de diagnostic
appropriées à leur population maximale de patients. De plus, les
procédures de diagnostic nécessitent souvent des tests médicaux, que les
personnes à faible revenu trouvent souvent coûteux et difficiles à se
permettre.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 4 / 17
Contexte
Limite de l’humain et avantage du Machine Learning sur le diagnostique

Les humains étant sujets à l’erreur, il n’est pas surprenant qu’un

surdiagnostic soit plus fréquent chez un patient. Les processus de
diagnostic traditionnels sont coûteux, prennent du temps et nécessitent
souvent une intervention humaine. Alors que la capacité de l’individu
limite les techniques de diagnostic traditionnelles, les systèmes basés sur le
machine learning n’ont pas de telles limitations et les machines ne
s’épuisent pas comme le font les humains.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 5 / 17
Contexte
importance du Quantum Machine Learning

Ce pendant faire du machine learning sur les images demande une grande
puissance de calcul et une grande complexité temporelle sur des
ordinateurs classiques, le recourt au quantum machine learning nous
permettra d’augmenter la précision de nos modèles tout en réduisant
drastiquement leurs différentes complexités.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 6 / 17
 Travaux antérieurs

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 7 / 17
Travaux antérieurs
Article: Quantum Machine Learning for Breast Cancer Detection

Dans cet article, ils étudient le cancer du sein qui est une maladie courante
qui nécessite une détection précoce pour être traitée efficacement. Ils
comparent les performances des algorithmes d’apprentissage automatique
conventionnels et des algorithmes d’apprentissage automatique quantique
pour la détection du cancer du sein. Les résultats montrent que le
classificateur à vecteur de support (SVC) a atteint une précision de 97,3 %
en 0,008 seconde, tandis que le classificateur à vecteur de support
quantique (QSVC) a atteint une précision de 93,8 % en 893,55 secondes.
Bien que les limitations matérielles actuelles puissent limiter l’avantage
quantique, de meilleurs résultats peuvent être attendus à l’avenir à mesure
que le matériel quantique progresse. Ces résultats impliquent que
l’apprentissage automatique quantique a la capacité d’augmenter la
précision du diagnostic du cancer du sein.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 8 / 17
Travaux antérieurs
Article : Medical image classication via quantum neural networks

Dans cet article, ils proposent d’utiliser deux techniques différentes de

réseaux de neurones pour la classification des images médicales : d’abord
en utilisant des circuits quantiques pour la formation de réseaux de
neurones classiques, et ensuite en concevant et en formant des réseaux de
neurones orthogonaux quantiques. Ils ont utilisé des ensembles de données
RetinaMNIST d’images du fond de la rétine et l’ensemble de données
PneumoniaMNIST de radiographies thoraciques

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 9 / 17
Travaux antérieurs
Article : Medical image diagnosis based on adaptive Hybrid Quantum CNN

Ici, ils ont développé et étudié un réseau neuronal convolutionnel quantique

hybride (HQCNN) comme alternative aux modèles conventionnels basés
sur CNN. De plus, ils ont amélioré les performances du HQCNN en
incorporant un optimiseur adaptatif entièrement variable basé sur
l’impulsion, qui améliorera le taux de convergence de la fonction de perte.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 10 / 17
Travaux antérieurs
Article : Empowering thyroid disease prediction through advanced machine learning

Une analyse principale est effectuée sur la base de l’exploration de modèles

d’apprentissage automatique quantique pour la classification des maladies
de la peau. Cette approche associe les aspects de l’informatique quantique
aux techniques d’apprentissage automatique conventionnelles. Ce travail
exploite l’ensemble de données HAM10000, une vaste compilation
d’images catégorisées représentant des lésions cutanées courantes, pour
former et évaluer l’efficacité des méthodologies proposées. En utilisant
différentes combinaisons de codage et de décodage de rotation de qubits à
l’aide de trois types de portes Pauli telles que les portes Pauli X, Y et Z,
elles sont mises en oeuvre et comparées à l’aide du réseau neuronal
Quanvolutional proposé.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 11 / 17
Travaux antérieurs
Article : Quantum Machine Learning Architecture for COVID-19 Classification Based on
Synthetic Data Generation Using Conditional Adversarial Neural Network

Ici, ils étudient les approches d’apprentissage automatique quantique

(QML) et d’apprentissage automatique classique (CML) pour l’analyse des
images COVID-19. L’approche proposée se compose de deux phases :
dans la phase I, des images TDM synthétiques sont générées via le réseau
antagoniste conditionnel (CGAN) pour augmenter la taille de l’ensemble
de données pour une formation et des tests précis. Dans la phase II, la
classification des images COVID-19/saines est réalisée, dans laquelle deux
modèles sont proposés : CML et QML.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 12 / 17
 Objectifs du Mémoire

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 13 / 17
Objectifs du Mémoire

Parcourir les différents algorithmes de Machine Learning Quantique.

Les comparer avec les versions parallèles.
Mettre en évidence ceux qui sont plus adéquats aux diagnostics
médical.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 14 / 17
 Études a mener

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 15 / 17
Études a mener

Pour mener à bien ces objectifs nous allons commencer par parcourir les
algorithmes du Machine Learning Quantique pour les problèmes de
régression et de classification puis les paralléliser et effectuer une étude
comparative entre les versions séquentielles et enfin prendre des ensembles
de données médicales pour évaluer ces algorithmes afin de ressortir ceux
qui sont meilleur en terme de temps d’exécution et de précision.

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 16 / 17
Références
1 Varsha Premanand , Snavya Sai M B , Sindhu Srinivas1 and
Satyanarayana Reddy. Quantum Machine Learning for Breast Cancer
Detection : A Comparative Study with Conventional Machine
Learning Methods, 2023. Conference paper.
2 Natansh Mathur , Jonas Landman , Yun Yvonna Li , Martin Strahm ,
Skander Kazdaghli , Anupam Prakash and Iordanis Kerenidis. Medical
image classication via quantum neural networks, September 2021.
3 Niam Ajlouni , Adem Ozyavas , Mustafa Takaoglu , Faruk Takaoglu
and Firas Ajlouni. Medical image diagnosis based on adaptive Hybrid
Quantum CNN,2023.
4 Mohemmed Sha. Quantum intelligence in medicine: Empowering
thyroid disease prediction through advanced machine learning. 2023.
5 Javaria Amin , Muhammad Sharif , Nadia Gul , Seifedine Kadry ,
Chinmay Chakraborty. Quantum Machine Learning Architecture for
COVID-19 Classification Based on Synthetic Data Generation Using
Conditional Adversarial Neural Network. 2021.
Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 17 / 17
 Merci pour votre attention

Hapi Kamgang Franck Quantum Machine Learning for disease diagnosis from Medical
Octoberimages
22, 2024 18 / 17