Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis Using Sequential Multisequence MRI

要約

はじめに 多発性硬化症 (MS) 患者の MRI における各時点の連続的な関係を提供するために、量子畳み込みニューラル ネットワーク (QCNN) – 長短期記憶 (LSTM) モデルが研究されました。
このパイロット研究では、古典的なニューラル ネットワーク アーキテクチャに対してベンチマークされた MS 障害の 2 値分類について 3 つの QCNN-LSTM モデルを比較しました。
私たちの仮説は、量子モデルが競争力のあるパフォーマンスを提供するというものです。
方法 マトリックス積状態 (MPS)、逆多状態エンタングルメント繰り込みアンザッツ (MERA)、およびツリーテンソル ネットワーク (TTN) 回路を LSTM 層と組み合わせて、MS と診断された患者のほぼ年に一度の MRI データを処理しました。
これらは、Visual Geometry Group (VGG)-LSTM および Video Vision Transformer (ViViT) に対してベンチマークが行われました。
予測ロジットは、バイナリのクロスエントロピー損失を使用して、各患者の拡張障害重症度スコア (EDSS) のグラウンド トゥルース ラベルに対して測定されました。
トレーニング/検証/ホールドアウト テストは、合計 60:20:20 の 5 分割相互検証を使用して分割されました。
Levene の分散検定を使用して統計的な差異を測定し、平均におけるペアモデルの差異については Student の t 検定を使用しました。
結果 MPS-LSTM、リバース MERA-LSTM、TTN-LSTM のホールドアウト テスト ROC-AUC は、それぞれ 0.70、0.77、0.81 でした (p 値 0.915)。
VGG16-LSTM と ViViT は同様に機能し、ROC-AUC はそれぞれ 0.73 と 0.77 でした (p 値 0.631)。
全体的な分散と平均は統計的に有意ではありませんでしたが (p 値 0.713)、トレーニング時間は QCNN-LSTM の方が有意に速かったです (フォールドあたり 39.4 秒、それぞれ 224 秒と 218 秒、p 値 <0.001)。 結論 QCNN-LSTM モデルは、トレーニング時間の効率が高く、従来のモデルと競合するパフォーマンスを発揮します。 臨床的には、これらは、医療画像に基づいた疾患進行の時間依存の深層学習予測に効率の観点から付加価値を与えることができます。

要約(オリジナル)

Introduction Quantum Convolutional Neural Network (QCNN)-Long Short-Term Memory (LSTM) models were studied to provide sequential relationships for each timepoint in MRIs of patients with Multiple Sclerosis (MS). In this pilot study, we compared three QCNN-LSTM models for binary classification of MS disability benchmarked against classical neural network architectures. Our hypothesis is that quantum models will provide competitive performance. Methods Matrix Product State (MPS), reverse Multistate Entanglement Renormalization Ansatz (MERA), and Tree-Tensor Network (TTN) circuits were paired with LSTM layer to process near-annual MRI data of patients diagnosed with MS. These were benchmarked against a Visual Geometry Group (VGG)-LSTM and a Video Vision Transformer (ViViT). Predicted logits were measured against ground truth labels of each patient’s Extended Disability Severity Score (EDSS) using binary cross-entropy loss. Training/validation/holdout testing was partitioned using 5-fold cross validation with a total split of 60:20:20. Levene’s test of variance was used to measure statistical difference and Student’s t-test for paired model differences in mean. Results The MPS-LSTM, reverse MERA-LSTM, and TTN-LSTM had holdout testing ROC-AUC of 0.70, 0.77, and 0.81, respectively (p-value 0.915). VGG16-LSTM and ViViT performed similarly with ROC-AUC of 0.73 and 0.77, respectively (p-value 0.631). Overall variance and mean were not statistically significant (p-value 0.713), however, time to train was significantly faster for the QCNN-LSTMs (39.4 sec per fold vs. 224 and 218, respectively, p-value <0.001). Conclusion QCNN-LSTM models perform competitively to their classical counterparts with greater efficiency in train time. Clinically, these can add value in terms of efficiency to time-dependent deep learning prediction of disease progression based upon medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google