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

本研究探讨了量子卷积神经网络（QCNN）-长短期记忆（LSTM）模型，为多发性硬化（MS）患者的MRI每个时间点提供顺序关系。在本次试验中，我们将三个QCNN-LSTM模型与经典神经网络架构进行了二元分类的比较。我们的假设是，量子模型将提供有竞争力的性能。方法采用矩阵积状态（MPS）、反向多状态纠缠重整化Ansatz（MERA）和树张量网络（TTN）电路与LSTM层配对，处理被诊断为MS的患者近年MRI数据。这些模型与视觉几何组（VGG）-LSTM和视频视觉变换器（ViViT）进行了基准测试。使用二元交叉熵损失函数，将预测的对数与每个患者的扩展残疾严重程度评分（EDSS）的真实标签进行比较。使用5倍交叉验证将训练/验证/保留测试进行分区，总分为60：20：20。利文检验用于测量统计差异，学生t检验用于配对模型平均值的差异。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值为0.915）。VGG16-LSTM和ViViT的ROC-AUC相似，分别为0.73和0.77，（p值为0.631）。总体方差和平均值没有统计学显著性（p值为0.713），但是，QCNN-LSTM的训练时间显著缩短（每个折叠39.4秒，相比于224和218，p值小于0.001）。结论QCNN-LSTM模型在训练时间上更加高效，与经典模型具有相当的性能，临床上可以通过医学成像的时间依赖性深度学习预测疾病进展，提高效率。

本论文旨在比较三种量子卷积神经网络-长短期记忆模型和两种经典神经网络模型在多发性硬化(MS)患者MRI数据的二元分类性能，以验证量子模型的竞争性能。

论文采用Matrix Product State (MPS)、reverse Multistate Entanglement Renormalization Ansatz (MERA)、Tree-Tensor Network (TTN)电路与LSTM层相结合，处理患者MRI数据，并将其与VGG-LSTM和ViViT进行比较，证明量子模型具有高效性和竞争性。

论文采用了5折交叉验证，使用二元交叉熵损失函数，将预测的对数与每个患者的EDSS标签进行比较。研究表明，三种量子模型的ROC-AUC分别为0.70、0.77和0.81，而VGG16-LSTM和ViViT的ROC-AUC分别为0.73和0.77。此外，量子模型的训练时间显著缩短。

最近的相关研究包括：Quantum Machine Learning for Medical Diagnosis: A Review、Quantum Convolutional Neural Networks、Quantum Machine Learning in High Energy Physics等。