QReLU 与 m-QReLU：两种辅助医疗诊断的新型量子激活函数

ReLU 激活函数（AF）已广泛应用于深度神经网络，特别是卷积神经网络（CNN）中的图像分类，尽管其未解决的 dying ReLU 问题对可靠应用构成挑战。该问题对医疗等关键应用具有明显重要影响。近期方法仅在同一未解决的 dying ReLU 挑战内提出激活函数的变体。本工作报道了一个不同的研究方向，通过探索开发一种创新的 ReLU 激活函数量子方法来从设计上避免 dying ReLU 问题。以 Leaky ReLU 为基线，应用纠缠与叠加两种量子原理推导出所提出的量子 ReLU（QReLU）与改进型 QReLU（m-QReLU）激活函数。QReLU 与 m-QReLU 均已在 TensorFlow 与 Keras 中实现并免费提供。这一原创方法有效，并在有助于从医学图像中检测 COVID-19 与帕金森病（PD）的案例研究中得到广泛验证。这两种新颖激活函数在双层 CNN 中针对九种基于 ReLU 的激活函数、在七个基准数据集上进行了评估，包括来自 PD 患者与健康受试者的通过绘图板获取的螺旋绘图图像，以及 COVID-19 患者、肺炎患者与健康对照者肺部的床旁超声图像。尽管计算成本较高，结果表明在七个基准数据集中的五个上，两种量子激活函数均带来了整体更高的分类准确率、精确率、召回率与 F1 分数，从而证明其有潜力成为 CNN 中新的基准或金标准激活函数，并辅助 COVID-19 与 PD 等临界应用中的图像分类任务。