量子AI用于精神病诊断:通过量子机器学习增强痴呆症分类

科学领域:

• 量子机器学习 (QML) 是一种
• 医学成像分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 早期发现痴呆症对于有效的患者管理至关重要,需要高度准确的分类方法.
• 深度学习 (DL) 模型处理大型数据集,而量子机器学习 (QML) 使用量子比特提供了增强的计算速度和数据存储.
• QML利用量子计算原理来潜在地提高机器学习模型的效率和准确性,特别是用于成像中的复杂模式识别.

研究的目的:

• 提出和评估一个混合量子-经典卷积神经网络 (QCNN) 用于使用MRI数据准确的痴呆症分类.
• 研究将量子特征提取与经典深度学习和知识蒸 (KD) 整合在一起以提高性能的有效性.
• 开发一种可扩展和有效的痴呆症分类框架,适用于临床环境.

主要方法:

• 开发了一个混合QCNN框架,通过预处理,兴趣区域 (ROI) 提取和量子特征映射来处理MRI图像.
• 来自图像补丁的像素值被编码为量子位,并通过参数化量子电路 (PQC) 处理以生成量子特征.
• 使用知识蒸 (KD) 框架,使用更深的CNN (教师) 引导QCNN (学生) 进行增强的概括和特征学习.

主要成果:

• 没有KD的QCNN实现了高精度:0.9523 (ADNI-1),0.9611 (ADNI-2) 和0.9412 (OASIS-2).
• 有了KD,学生QCNN模型表现出更好的灵敏度,达到高达0.9978的准确性,超过现有的最先进的方法.
• 与传统的ML/DL方法相比,混合方法的表现优于痴呆症分类的传统方法.

结论:

• 拟议的混合量子-经典CNN框架提供了一个高度准确和高效的方法,用于从MRI数据中对痴呆症进行分类.
• 量子特征提取和知识蒸的整合显著提高了分类性能和模型概括性.
• 这种基于QML的方法对推进早期痴呆症检测和改善临床患者管理具有很大的前景.