使用序列多序列MRI评估QCNN-LSTM在多发性硬化症残疾预测中的应用
摘要
引言 研究了量子卷积神经网络（Quantum Convolutional Neural Network, QCNN）-长短期记忆（Long Short-Term Memory, LSTM）模型，为多发性硬化症（Multiple Sclerosis, MS）患者MRI的每个时间点提供序列关系。在这项初步研究中，我们比较了三种QCNN-LSTM模型用于MS残疾二分类的性能，并以经典神经网络架构为基准。我们的假设是量子模型将提供有竞争力的性能。方法 将矩阵乘积态（Matrix Product State, MPS）、反向多态纠缠重整化拟设（reverse Multistate Entanglement Renormalization Ansatz, MERA）和树张量网络（Tree-Tensor Network, TTN）电路与LSTM层配对，以处理诊断为MS患者的近年度MRI数据。这些模型以视觉几何组（Visual Geometry Group, VGG）-LSTM和视频视觉Transformer（Video Vision Transformer, ViViT）为基准。使用二元交叉熵损失，将预测的logits与每位患者的扩展残疾严重程度评分（Extended Disability Severity Score, EDSS）的真实标签进行对比。训练/验证/保留测试集使用5折交叉验证进行划分，总比例为60:20:20。使用Levene方差检验测量统计差异，并使用学生t检验测量配对模型均值的差异。结果 MPS-LSTM、反向MERA-LSTM和TTN-LSTM的保留测试ROC-AUC分别为0.70、0.77和0.81（p值0.915）。VGG16-LSTM和ViViT表现相似，ROC-AUC分别为0.73和0.77（p值0.631）。总体方差和均值无统计学显著性（p值0.713），然而，QCNN-LSTM的训练时间显著更快（每折39.4秒，而分别为224秒和218秒，p值<0.001）。结论 QCNN-LSTM模型性能与经典模型相当，且训练时间效率更高。在临床上，这些模型可以在基于医学影像的疾病进展时间依赖性深度学习预测中，通过提高效率来增加价值。
引用
@article{arxiv.2401.12132,
title = {Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis Using Sequential Multisequence MRI},
author = {John D. Mayfield and Issam El Naqa},
journal= {arXiv preprint arXiv:2401.12132},
year = {2024}
}