一个可解释的MRI-Radiomic量子神经网络,以区分大脑转移和高等级质瘤,使用量子化进行特征选择
Tony Felefly1,2,3, Camille Roukoz4, Georges Fares4,5
1Radiation Oncology Department, Hôtel-Dieu de France Hospital, Saint Joseph University, Beirut, Lebanon. tony.felefly@hotmail.com.
Journal of digital imaging
|July 28, 2023
概括
这项研究引入了一个量子神经网络 (QNN),使用量子化特征选择来区分脑瘤. 量子知情模型的性能与经典方法在MRI上区分大脑转移和高等级质瘤的性能相当.
科学领域:
- 神经成像是一种神经成像.
- 量子机器学习就是量子机器学习
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 在MRI上区分单独的大脑转移 (LBM) 和高度质瘤 (HGG) 是一个挑战.
- 精确的区分至关重要,因为管理策略有很大的不同.
- 需要使用非侵入性方法来避免侵入性活检和手术.
研究的目的:
- 评估MRI-放射学变量量子神经网络 (QNN) 的性能和可解释性.
- 为了利用量子化进行基于相互信息的特征选择.
- 在对比度增强的T1加权 (CE-T1) MRI上开发一个量子知情模型来区分LBM和HGG.
主要方法:
- 在CE-T1MRI上对423名LBM或HGG患者进行了回顾性分析.
- 使用相互信息和量子化,提取和选择1813个放射性特征.
- 开发一个2量子比特QNN模型,其中有10个选定的特征.
- 与密集的神经网络 (DNN) 和极端梯度增强 (XGB) 进行基准测试.
主要成果:
- 该QNN的测试ROC-AUC达到0.76和平衡精度 (bACC) 达到0.74.
- 量子化确定了10个最佳特征 (6个瘤,4个瘤周围).
- 模型的性能与经典模型相比 (XGB:测试ROC-AUC 0.79,bACC 0.72;DNN:测试ROC-AUC 0.75,bACC 0.73). 模型的性能与传统模型相比相当.
- 沙普利值为QNN预测提供了可解释性.
结论:
- 一个量子知情的QNN模型可以在CE-T1大脑MRI上准确地区分LBM和HGG.
- 量子化为放射性特征选择提供了一种有效的方法.
- 开发的QNN模型表现出与最先进的经典机器学习方法可比的性能.
