Classification of Pneumonia via a Hybrid ZFNet-Quantum Neural Network Using a Chest X-ray Dataset
Notice bibliographique
Résumé
INTRODUCTION: Deep neural networks (DNNs) have made significant contributions to diagnosing pneumonia from chest X-ray imaging. However, certain aspects of diagnosis and planning can be further enhanced through the implementation of a quantum deep neural network (QDNN). Therefore, we introduced a technique that integrates neural networks with quantum algorithms named the ZFNet-quantum neural network for detecting pneumonia using 5863 X-ray scans with binary cases. METHODS: The hybrid model efficiently pre-processes complex and high-dimensional data by extracting significant features from the ZFNet model. These significant features are given to the quantum circuit algorithm and further embedded into a quantum device. The parameterized quantum circuit algorithm using qubits, superposition theorem, and entanglement phenomena generates 4 features from 4098 features extracted from images via a deep transfer learning model. Moreover, to validate the outcome measures of the proposed technique, we used various PennyLane quantum devices to detect pneumonia and normal control images. By using the Adam optimizer, which exploits an adaptive learning rate that is fixed to 10-6 and six layers of a quantum circuit composed of quantum gates, the proposed model achieves an accuracy of 96.5%, corresponding to 25 epochs. RESULTS: The integrated ZFNet-quantum learning network outperforms the deep transfer learning network in terms of testing accuracy, as the accuracy gained by the convolutional neural network (CNN) is 94%. Therefore, we use a hybrid classical-quantum model to detect pneumonia in which a variational quantum algorithm enhances the outcomes of a ZFNet transfer learning method. CONCLUSION: This approach is an efficient and automated method for detecting pneumonia and could significantly enhance outcome measures related to the speed and accuracy of the network in the clinical and healthcare sectors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».