[논문 리뷰] Hybrid quantum convolutional neural networks model for COVID-19 prediction using chest X-Ray images

Essam H. Houssein, Zainab Abohashima외 2명|arXiv (Cornell University)|2021. 02. 08.

COVID-19 diagnosis using AI참고 문헌 52인용 수 14

한 줄 요약

이 논문은 콩고-19를 흉부 X선(CXR) 영상에서 분류하기 위해 랜덤 양자 회로(RQC)를 양자 컨볼루션 레이어로 활용하는 하이브리드 양자-고전적 컨볼루션 신경망(HQCNN)을 제안한다. 모델은 이진 콩고-19 대 폐렴 데이터셋에서 99% 정확도와 99.7% 민감도를 기록하며, AUC-ROC, F1-스코어, 균형 정확도와 같은 핵심 지표에서 고전적 모델을 능가한다.

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.

연구 동기 및 목표

• 저비용으로 널리 보급된 CXR 영상 기반으로 콩고-19의 조기 및 정확한 진단에 도전하기 위해.
• 고차원 의료 영상 특징를 처리하는 데 어려움을 겪고 계산 비효율성이 있는 고전적 딥 러닝 모델의 한계를 극복하기 위해.
• 양자 컴퓨팅과 컨볼루션 신경망의 통합을 통해 의료 영상 분류 성능을 향상시키기 위해.
• 이상형 및 다중 클래스 CXR 데이터셋에서 하이브리드 양자-고전적 모델의 성능을 평가하기 위해.
• 양자 강화 컨볼루션 레이어가 진단 정확도와 내구성 면에서 고전적 대안보다 뛰어나다는 것을 입증하기 위해.

제안 방법

• HQCNN 모델은 고차원 특징 공간에서 커널 연산을 수행하기 위해 랜덤 양자 회로(RQC)를 양자 컨볼루션 레이어로 통합한다.
• RQC는 파arameterized 양자 게이트(특히 Ry 각도 인코딩)를 사용하여 구현되며, 최적의 성능을 위해 1000회의 샷으로 양자 시뮬레이터에서 실행된다.
• 양자 레이어는 고전적 CNN 아키텍처 내부에 통합되며, 여기서는 양자 특징가 추출되어 완전히 연결된 레이어에 입력되어 분류된다.
• 모델은 세 가지 데이터셋에서 훈련된다: 이진(정상 대 콩고-19), 이진(콩고-19 대 폐렴), 다중 클래스(정상, 콩고-19, 폐렴) CXR 영상.
• 정확도, 민감도, 정밀도, F1-측정치, AUC-ROC와 같은 표준 지표를 사용하여 성능을 평가하며, 최신 모델과의 비교 분석을 수행한다.
• 모델 성능 최적화를 위해 각도 인코딩(Ry 게이트)과 샷 수(1000샷)를 활용한 하이퍼파rameter 튜닝을 수행한다.

실험 결과

연구 질문

• RQ1 하이브리드 양자-고전적 CNN 모델이 고전적 딥 러닝 모델 대비 CXR 영상에서 콩고-19 진단의 정확도와 민감도를 향상시킬 수 있는가?
• RQ2 랜덤 양자 회로를 컨볼루션 레이어로 통합함으로써 의료 영상 분류에서 특징 표현이 어떻게 향상되는가?
• RQ3 CXR 영상에서 콩고-19를 진단하기 위한 최적의 양자 회로 파arameter 설정(예: 게이트 유형, 샷 수)은 무엇인가?
• RQ4 HQCNN 모델은 이상형 데이터셋에서 정상, 폐렴, 콩고-19 사례를 구분하는 데 어떻게 성능을 발휘하는가?
• RQ5 AUC-ROC 및 F1-스코어와 같은 핵심 진단 지표에서 HQCNN 모델이 기존 최신 모델을 얼마나 뛰어나게 성능을 내는가?

주요 결과

• 이진 데이터셋(COVID-19 대 폐렴)에서 HQCNN 모델은 99% 정확도와 99.7% 민감도를 기록했으며, AUC-ROC 스코어는 100%였다.
• 이진 데이터셋(정상 대 콩고-19)에서 모델은 98.4% 정확도와 99.3% 민감도를 달성하여 양성 사례 탐지 능력이 매우 뛰어났다.
• 다중 클래스 데이터셋(정상, 콩고-19, 폐렴)에서 모델은 88.6% 정확도와 88.7% 민감도를 기록했으며, 콩고-19 클래스에 대해 가장 높은 F1-스코어 98%를 기록했다.
• 모든 데이터셋에서 VGG16, EfficientNet, InceptionNet, CoroNet 등의 다수 고전적 모델을 균형 정확도, 정밀도, F1-측정치, AUC-ROC 면에서 모두 능가했다.
• 이진 데이터셋에서 폐렴 환자에 대해 모델은 100% 정밀도와 99% 민감도를 기록하여 비-코로나-19 폐 질환에 대한 강력한 일반화 능력을 보였다.
• 1000샷으로 Ry 각도 인코딩을 사용한 결과가 가장 우수한 성능을 보였으며, 이는 양자 특징 추출 최적화에 있어 그 중요성을 확인시켰다.