[论文解读] 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 14

一句话总结

该论文提出了一种混合量子-经典卷积神经网络（HQCNN），利用随机量子电路（RQCs）作为量子卷积层，对胸部X光（CXR）图像中的新冠肺炎进行分类。该模型在二分类的新冠肺炎与肺炎数据集上实现了99%的准确率和99.7%的敏感度，优于经典模型在AUC-ROC、F1-score和平衡准确率等关键指标上的表现。

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.

研究动机与目标

• 为解决利用低成本、广泛可用的CXR成像实现新冠肺炎早期且准确检测的挑战。
• 克服经典深度学习模型在处理高维医学影像特征和计算效率低下方面的局限性。
• 探索将量子计算与卷积神经网络结合以提升医学影像分类性能。
• 评估混合量子-经典模型在不平衡和多分类CXR数据集上对新冠肺炎诊断的性能。
• 展示量子增强卷积层在诊断准确率和鲁棒性方面相对于经典方法的优越性。

提出的方法

• HQCNN模型将随机量子电路（RQC）作为量子卷积层，用于在高维特征空间中计算核操作。
• RQC通过参数化量子门（特别是Ry角度编码）实现，并在拥有1000次测量的量子模拟器上执行以获得最佳性能。
• 量子层被嵌入经典CNN架构中，其中提取量子特征并输入全连接层以完成分类。
• 该模型在三个数据集上进行训练：二分类（正常 vs. 新冠肺炎）、二分类（新冠肺炎 vs. 肺炎）以及多分类（正常、新冠肺炎、肺炎）的CXR图像。
• 通过标准指标（准确率、敏感度、精确度、F1度量和AUC-ROC）评估性能，并与最先进模型进行比较。
• 通过角度编码（Ry门）和测量次数（1000次）进行超参数调优，以优化模型性能。

实验结果

研究问题

• RQ1 与经典深度学习模型相比，混合量子-经典CNN模型是否能提升CXR图像中新冠肺炎检测的准确率和敏感度？
• RQ2 将随机量子电路作为卷积层集成，如何增强医学影像分类中的特征表示？
• RQ3 在从CXR图像中诊断新冠肺炎时，量子电路参数（如门类型、测量次数）的最佳配置是什么？
• RQ4 HQCNN模型在不平衡数据集上的表现如何，特别是在区分正常、肺炎和新冠肺炎病例方面？
• RQ5 HQCNN模型在AUC-ROC和F1-score等关键诊断指标上，相较于现有最先进模型的优越程度如何？

主要发现

• 在二分类数据集（新冠肺炎 vs. 肺炎）上，HQCNN模型实现了99%的准确率和99.7%的敏感度，AUC-ROC得分为100%。
• 在二分类数据集（正常 vs. 新冠肺炎）上，模型达到98.4%的准确率和99.3%的敏感度，显示出对阳性病例的高检测能力。
• 在多分类数据集（正常、新冠肺炎、肺炎）上，模型记录了88.6%的准确率和88.7%的敏感度，新冠肺炎类别的F1-score最高，达到98%。
• 在所有数据集上，该模型在平衡准确率、精确度、F1度量和AUC-ROC方面均优于多种经典模型（如VGG16、EfficientNet、InceptionNet和CoroNet）。
• 在二分类数据集中，模型对肺炎病例实现了100%的精确度和99%的敏感度，表明其在非新冠肺炎肺部疾病上的强泛化能力。
• 采用Ry角度编码并配合1000次测量时性能最佳，证实其在优化量子特征提取中的重要性。