[論文レビュー] Hybrid quantum convolutional neural networks model for COVID-19 prediction using chest X-Ray images

Essam H. Houssein, Zainab Abohashima+2 more|arXiv (Cornell University)|Feb 8, 2021

COVID-19 diagnosis using AI参考文献 52被引用数 14

ひとこと要約

本論文は、ランダム量子回路（RQC）を量子畝込み層として活用し、コロナウイルス病（COVID-19）をコントロールするためのハイブリッド量子古典畳み込みニューラルネットワーク（HQCNN）を提案する。モデルは、二値のCOVID-19 対肺炎データセットにおいて99%の正確性と99.7%の感受性を達成し、AUC-ROC、F1スコア、バランス正確性といった主要指標において、古典的モデルを上回っている。

ABSTRACT

Despite the great efforts to find an effective way for COVID-19 prediction, the virus nature and mutation represent a critical challenge to diagnose the covered cases. However, developing a model to predict COVID-19 via Chest X-Ray (CXR) images with accurate performance is necessary to help in early diagnosis. In this paper, a hybrid quantum-classical convolutional Neural Networks (HQCNN) model used the random quantum circuits (RQCs) as a base to detect COVID-19 patients with CXR images. A collection of 6952 CXR images, including 1161 COVID-19, 1575 normal, and 5216 pneumonia images, were used as a dataset in this work. The proposed HQCNN model achieved higher performance with an accuracy of 98.4\% and a sensitivity of 99.3\% on the first dataset cases. Besides, it obtained an accuracy of 99\% and a sensitivity of 99.7\% on the second dataset cases. Also, it achieved accuracy, and sensitivity of 88.6\%, and 88.7\%, respectively, on the third multi-class dataset cases. Furthermore, the HQCNN model outperforms various models in balanced accuracy, precision, F1-measure, and AUC-ROC score. The experimental results are achieved by the proposed model prove its ability in predicting positive COVID-19 cases.

研究の動機と目的

• 低コストで広く利用可能なCXR画像を用いた、COVID-19の早期かつ正確な検出に取り組むこと。
• 高次元の医療画像特徴を処理する能力に限界がある古典的ディープラーニングモデルと、計算上の非効率性を克服すること。
• 量子コンピューティングと畳み込みニューラルネットワークの統合を検討し、医療画像分類の向上を図ること。
• 不均衡なデータセットおよび多クラスCXRデータセットにおけるハイブリッド量子古典モデルの性能を評価すること。
• 量子強化畳み込み層が診断の正確性と頑健性において、古典的対応層を上回ることを実証すること。

提案手法

• HQCNNモデルは、高次元特徴空間におけるカーネル演算を計算するために、ランダム量子回路（RQC）を量子畳み込み層として統合する。
• RQCは、パラメータ化された量子ゲート（特にRy角度符号化）を用いて実装され、最適なパフォーマンスを得るために1000ショットの量子シミュレータで実行される。
• 量子層は、古典的CNNアーキテクチャ内に埋め込まれ、量子特徴が抽出され、全結合層に供給されて分類に使用される。
• モデルは3つのデータセットで訓練される：二値（正常対COVID-19）、二値（COVID-19 対肺炎）、多クラス（正常、COVID-19、肺炎）のCXR画像。
• 標準指標を用いて性能を評価する：正確性、感受性、適合率、F1測定値、AUC-ROC。最新のモデルと比較される。
• ハイパーパramータチューニングは、角度符号化（Ryゲート）とショット数（1000ショット）を用いて、モデルパフォーマンスの最適化が行われる。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子古典CNNモデルは、古典的ディープラーニングモデルと比較して、CXR画像におけるCOVID-19検出の正確性と感受性を向上させることができるか？
• RQ2 ランダム量子回路を畳み込み層として統合することで、医療画像分類における特徴表現がどのように向上するか？
• RQ3 CXR画像からCOVID-19を診断するための最適な量子回路パrameter設定（例：ゲートタイプ、ショット数）は何か？
• RQ4 HQCNNモデルは、特に正常、肺炎、COVID-19症例の区別において、不均衡データセットでどのように性能を発揮するか？
• RQ5 AUC-ROCやF1スコアといった主要な診断指標において、HQCNNモデルは既存の最先端モデルをどの程度上回るか？

主な発見

• 二値データセット（COVID-19 対肺炎）において、HQCNNモデルは99%の正確性と99.7%の感受性を達成し、AUC-ROCスコアは100%であった。
• 二値データセット（正常 対 COVID-19）では、98.4%の正確性と99.3%の感受性を達成し、陽性例の検出能力が非常に高いことが示された。
• 多クラスデータセット（正常、COVID-19、肺炎）では、88.6%の正確性と88.7%の感受性を記録し、COVID-19クラスのF1スコアが最高の98%を達成した。
• VGG16、EfficientNet、InceptionNet、CoroNetといった複数の古典的モデルと比較して、すべてのデータセットにおいてバランス正確性、適合率、F1測定値、AUC-ROCの面で優れた性能を示した。
• 二値データセットにおける肺炎症例では、100%の適合率と99%の感受性を達成し、非COVID-19肺疾患に対する強力な一般化能力を示した。
• 1000ショットでのRy角度符号化が最良のパフォーマンスをもたらし、量子特徴抽出の最適化においてその重要性が確認された。