양자 AI/ML을 활용한 양측 액와-유방 접근 로봇 갑상선 절제술 수술 영상 분석
안젯텍 & 분당서울대병원(SNUBH) Quantum Laboratory

문제

• 내시경 영상은 실시간 경고와 외과의사 교육을 위해 엄격한 모니터링이 필요하다

과제

• 최고 수준의 병원에서는 이상 상황(이상치)이 매우 드물어, 고전 머신러닝 기법이 이러한 데이터셋을 학습하는 데 어려움을 겪는다

해결책

• 양자 하이브리드 양자 머신러닝(QML) 접근 방식을 개발 중

• 희귀 이벤트, Few-Shot Learning 및 이상치 탐지 문제에서 QML이 더 나은 성과를 낼 것으로 기대된다

연합 학습(Federated Learning, FL)
연합 학습은 민감한 데이터를 직접 공유하지 않고도 여러 기관이 공동으로 모델을 학습할 수 있도록 하는 분산형 머신 러닝 프레임워크입니다. 이러한 접근 방식은 환자 프라이버시와 데이터 보안이 중요한 의료 분야에서 특히 유용합니다. 예를 들어 급성 신손상(AKI) 예측에 FL을 적용하면, 병원과 연구기관은 데이터 보호 규정을 준수하면서도 각자 보유한 데이터 인사이트를 결합해 모델을 학습할 수 있습니다. 이렇게 다양한 분산형 데이터셋에 대해 학습함으로써, FL은 조기 AKI 위험 요인을 식별하는 강력한 딥러닝(DL) 모델을 구축할 수 있으며, 궁극적으로 사망률을 낮추고 환자 치료 성과를 향상시킬 가능성을 높여줍니다.

양자 머신 러닝(Quantum Machine Learning, QML)
양자 머신 러닝은 양자역학의 원리를 활용해 정보를 더욱 효율적으로 처리함으로써, 기존 머신 러닝(ML) 및 딥러닝(DL)에 비해 상당한 이점을 제공합니다. QML 알고리즘은 지수적으로 큰 솔루션 공간을 탐색할 수 있어, 최적화나 패턴 인식에 있어 많은 시간이 걸리는 고전적 방식보다 더 나은 결과를 제공합니다. 이러한 QML을 연합 학습과 접목한 양자 연합 학습(QFL)을 통해, 고차원 특징 공간이나 복잡한 모델 구조 등으로 인해 발생하는 분산 학습 시스템의 한계를 보완하고 성능을 높일 수 있습니다. 특히 병원 간 다기관 데이터셋에서 미묘한 패턴을 발견해야 하는 AKI 예측 같은 분야에서 QFL은 탁월한 적합성을 보여줄