DOI: https://doi.org/10.1038/s41598-024-74778-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39433779
تاريخ النشر: 2024-10-21
المؤلف: Qiuyu Xiang وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث نهجًا جديدًا لتشخيص سرطان الثدي باستخدام شبكة عصبية تلافيفية هجينة كمومية (QCCNN)، مستفيدة من مزايا الحوسبة الكمومية لتعزيز كفاءة ودقة التشخيص. يتناول الدراسة قيود الطرق التشخيصية التقليدية، التي غالبًا ما تعاني من تشخيص خاطئ بسبب المتطلبات الحسابية العالية وسوء التعميم عبر مجموعات بيانات متنوعة. من خلال دمج طبقة تلافيفية كمومية في إطار عمل CNN التقليدي، يظهر نموذج QCCNN أداءً متفوقًا في دقة التصنيف عند اختباره على ثلاثة مجموعات بيانات لسرطان الثدي: GBSG و SEER و WDBC، متفوقًا بشكل كبير على كل من نموذج CNN التقليدي ونماذج الانحدار اللوجستي.
بينما يظهر نموذج QCCNN وعدًا في تحسين تشخيص سرطان الثدي، تعترف الدراسة ببعض القيود، مثل تصميم الدائرة الكمومية المثالي والحاجة إلى مزيد من الاستكشاف لأداء النموذج في بيئات الكم المتوسطة الضوضاء (NISQ). تشمل اتجاهات البحث المستقبلية تطبيق نموذج QCCNN على تصنيف سرطان الثدي، وتقييم كفاءته الحسابية في الإعدادات السريرية في الوقت الحقيقي، وإجراء تقييمات شاملة للأداء. تهدف هذه الجهود إلى تحسين أداء النموذج وتوسيع تطبيق تقنيات التعلم الآلي الكمومي في التشخيص الطبي، مما قد يؤدي إلى تقدم كبير في الكشف المبكر عن الأمراض وتخطيط العلاج.
طرق
يركز البحث على تطبيق شبكة عصبية تلافيفية هجينة كمومية (QCCNN) لتشخيص سرطان الثدي، مستفيدًا من ثلاث مجموعات بيانات: مجموعة دراسة سرطان الثدي الألمانية (GBSG)، مجموعة بيانات سرطان الثدي SEER، وتشخيصات ويسكونسن لسرطان الثدي (WDBC). تقارن الدراسة دقة التشخيص لـ QCCNN مع الشبكات العصبية التلافيفية التقليدية (CNN) ونماذج الانحدار اللوجستي عبر هذه المجموعات البيانات للتحقق من فعالية نهج QCCNN.
يتضمن الإعداد التجريبي استخدام إطار عمل PyTorch لبناء وتدريب كل من نماذج QCCNN و CNN، مع دمج مكتبة PennyLane لطبقة التلافيف الكمومية. يتم تقييم أداء النموذج باستخدام الدقة ($ACC$)، المحسوبة كـ \( ACC = \frac{TP + TN}{TP + TN + FP + FN} \)، حيث تمثل \( TP \)، \( TN \)، \( FP \)، و \( FN \) الإيجابيات الحقيقية، السلبيات الحقيقية، الإيجابيات الكاذبة، والسلبيات الكاذبة، على التوالي. يستخدم التدريب مُحسِّن آدم بمعدل تعلم 0.1، متبعًا خوارزمية الانحدار القياسي، ويستخدم خسارة الانتروبيا المتقاطعة للتحسين. بالنسبة لنموذج الانحدار اللوجستي، يتم تطبيق منهجيات مماثلة، مع تهيئة الأوزان إلى صفر، ومعدل تعلم 0.01، وخسارة الانتروبيا المتقاطعة الثنائية المعرفة كـ \( L = -\frac{1}{N} \sum_{i=1}^{N} [y_i \log(\hat{y}_i) + (1 – y_i) \log(1 – \hat{y}_i)] \).
نتائج
تؤكد نتائج هذه الدراسة فعالية شبكة عصبية تلافيفية هجينة كمومية (QCCNN) لتشخيص سرطان الثدي، مقارنةً بأدائها ضد النماذج التقليدية، وبشكل خاص شبكة عصبية تلافيفية (CNN) والانحدار اللوجستي. استخدمت التحليل ثلاث مجموعات بيانات تشخيصية لسرطان الثدي: GBSG و SEER و WDBC، مع تقسيم التدريب والتحقق بنسبة 70% و 30%، على التوالي. كانت الدقة هي المقياس الرئيسي لتقييم أداء النموذج.
على مجموعة بيانات GBSG، حقق QCCNN دقة متوسطة قدرها 74.375% للتدريب و 70.498% للتحقق، متفوقًا على CNN والانحدار اللوجستي، اللذان سجلا أقصى دقة قدرها 72.083% و 74.167%، على التوالي. بالنسبة لمجموعة بيانات SEER، أظهر QCCNN كفاءة أكبر، مع دقة متوسطة قدرها 89.544% (تدريب) و 90.088% (تحقق)، متجاوزًا أفضل أداء لـ CNN البالغ 89.915% والانحدار اللوجستي البالغ 89.773%. أخيرًا، على مجموعة بيانات WDBC، حقق QCCNN دقة متوسطة مثيرة للإعجاب قدرها 97.099% (تدريب) و 96.155% (تحقق)، أعلى بكثير من نماذج CNN والانحدار اللوجستي. تشير هذه النتائج إلى أن نموذج QCCNN لا يتفوق فقط في دقة التشخيص عبر مجموعات بيانات متعددة، بل يبرز أيضًا التكامل الواعد للحوسبة الكمومية مع الطرق التقليدية في تحليل الصور الطبية وتشخيص الأمراض.
مناقشة
تسلط قسم المناقشة في هذه الدراسة الضوء على تطبيق شبكة عصبية تلافيفية هجينة كمومية (QCCNN) لتشخيص سرطان الثدي، مستفيدة من ثلاث مجموعات بيانات: GBSG و SEER و WDBC. تشير النتائج إلى أن نموذج QCCNN يعزز بشكل كبير دقة التصنيف مقارنةً بالانحدار اللوجستي التقليدي والشبكات العصبية التلافيفية التقليدية (CNNs). يُعزى هذا التحسن إلى قدرة طبقة التلافيف الكمومية على الاستفادة من التراكب الكمومي والتشابك، مما يسمح باستخراج ميزات أكثر تعقيدًا وتحويلات غير خطية لا يمكن أن تحققها CNNs التقليدية. تم التحقق من قوة وقدرات التعميم لـ QCCNN عبر المجموعات الثلاث، مما يبرز إمكاناته للتطبيقات الطبية في العالم الحقيقي.
ومع ذلك، تعترف الدراسة بالقيود، خاصة فيما يتعلق بتصميمات الدوائر الكمومية الحالية، التي لا تأخذ في الاعتبار الضوضاء بالكامل في بيئات الكم المتوسطة الضوضاء (NISQ). يُقترح البحث المستقبلي لاستكشاف تأثير هذه الضوضاء على أداء النموذج واستخدام وحدات المعالجة الكمومية الفعلية (QPUs) لتقييم قدرات QCCNN بشكل أفضل. بالإضافة إلى ذلك، فإن تحسين النموذج لتقليل المتطلبات الحسابية مع الحفاظ على الدقة أمر ضروري لتطبيق أوسع في التشخيص الطبي. تختتم الدراسة بالقول إنه مع التقدم المستمر في التكنولوجيا الكمومية، يمكن أن تعزز QCCNN بشكل كبير عمليات التشخيص في علاج سرطان الثدي، مما يمهد الطريق لرعاية المرضى بدقة وفي الوقت المناسب.
DOI: https://doi.org/10.1038/s41598-024-74778-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39433779
Publication Date: 2024-10-21
Author(s): Qiuyu Xiang et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents a novel approach for breast cancer diagnosis using a quantum hybrid classical convolutional neural network (QCCNN), leveraging the advantages of quantum computing to enhance diagnostic efficiency and accuracy. The study addresses the limitations of traditional diagnostic methods, which often suffer from misdiagnosis due to high computational demands and poor generalization across diverse datasets. By integrating a quantum convolutional layer into the classical CNN framework, the QCCNN model demonstrates superior performance in classification accuracy when tested on three breast cancer datasets: GBSG, SEER, and WDBC, significantly outperforming both classical CNN and logistic regression models.
While the QCCNN model shows promise in improving breast cancer diagnosis, the study acknowledges certain limitations, such as the idealized quantum circuit design and the need for further exploration of the model’s performance in Noisy Intermediate Scale Quantum (NISQ) environments. Future research directions include applying the QCCNN model to breast cancer staging, assessing its computational efficiency in real-time clinical settings, and conducting comprehensive performance evaluations. These efforts aim to optimize the model’s performance and expand the application of quantum machine learning techniques in medical diagnostics, potentially leading to significant advancements in early disease detection and treatment planning.
Methods
The research focuses on the application of a Quantum Hybrid Classical Convolutional Neural Network (QCCNN) for breast cancer diagnosis, utilizing three datasets: the German Breast Cancer Study Group (GBSG), the SEER breast cancer dataset, and the Wisconsin Diagnostics for Breast Cancer (WDBC). The study compares the diagnostic accuracy of QCCNN with traditional Convolutional Neural Networks (CNN) and logistic regression models across these datasets to validate the effectiveness of the QCCNN approach.
The experimental setup involves using the PyTorch framework to construct and train both the QCCNN and CNN models, integrating the PennyLane library for the quantum convolutional layer. Model performance is evaluated using accuracy ($ACC$), calculated as \( ACC = \frac{TP + TN}{TP + TN + FP + FN} \), where \( TP \), \( TN \), \( FP \), and \( FN \) represent true positives, true negatives, false positives, and false negatives, respectively. The training employs the Adam optimizer with a learning rate of 0.1, following a standard gradient descent algorithm, and utilizes cross-entropy loss for optimization. For the logistic regression model, similar methodologies are applied, with weights initialized to zero, a learning rate of 0.01, and binary cross-entropy loss defined as \( L = -\frac{1}{N} \sum_{i=1}^{N} [y_i \log(\hat{y}_i) + (1 – y_i) \log(1 – \hat{y}_i)] \).
Results
The results of this study validate the effectiveness of the Quantum Hybrid Classical Convolutional Neural Network (QCCNN) for breast cancer diagnosis, comparing its performance against traditional models, specifically a Convolutional Neural Network (CNN) and Logistic Regression. The analysis utilized three breast cancer diagnostic datasets: GBSG, SEER, and WDBC, with a training-validation split of 70% and 30%, respectively. Accuracy was the primary metric for evaluating model performance.
On the GBSG dataset, QCCNN achieved an average accuracy of 74.375% for training and 70.498% for validation, outperforming CNN and Logistic Regression, which recorded maximum accuracies of 72.083% and 74.167%, respectively. For the SEER dataset, QCCNN demonstrated even greater proficiency, with average accuracies of 89.544% (training) and 90.088% (validation), surpassing CNN’s best of 89.915% and Logistic Regression’s 89.773%. Finally, on the WDBC dataset, QCCNN achieved an impressive average accuracy of 97.099% (training) and 96.155% (validation), significantly higher than the CNN and Logistic Regression models. These findings indicate that the QCCNN model not only excels in diagnostic accuracy across multiple datasets but also highlights the promising integration of quantum computing with classical methods in medical image analysis and disease diagnosis.
Discussion
The discussion section of this study highlights the application of a quantum hybrid classical convolutional neural network (QCCNN) for breast cancer diagnosis, utilizing three datasets: GBSG, SEER, and WDBC. The findings indicate that the QCCNN model significantly enhances classification accuracy compared to traditional logistic regression and classical convolutional neural networks (CNNs). This improvement is attributed to the quantum convolutional layer’s ability to leverage quantum superposition and entanglement, allowing for more complex feature extraction and nonlinear transformations that conventional CNNs cannot achieve. The robustness and generalization capabilities of the QCCNN were validated across the three datasets, underscoring its potential for real-world medical applications.
However, the study acknowledges limitations, particularly regarding the current quantum circuit designs, which do not fully account for noise in Noisy Intermediate Scale Quantum (NISQ) environments. Future research is suggested to explore the impact of such noise on model performance and to utilize actual quantum processing units (QPUs) to better assess the QCCNN’s capabilities. Additionally, optimizing the model to reduce computational demands while maintaining accuracy is essential for broader applicability in medical diagnostics. The study concludes that with ongoing advancements in quantum technology, QCCNNs could significantly enhance diagnostic processes in breast cancer treatment, paving the way for more accurate and timely patient care.