Akciğer röntgen görüntülerinden Covid'19 ve zatürre hastalığının kuantum makine öğrenmesi yöntemleri ile tahmini

Kuantum evrişimli sinir ağları (QCNN'ler), kuantum hesaplamanın potansiyel olarak güçlü bazı yönlerinden yararlanarak CNN'lerin yeteneklerini genişletir. Bir dizi rastgele kuantum devresi kullanarak verileri yerel olarak dönüştürerek giriş verileri üzerinde çalışır. Klasik evrişimli sinir ağlarının verimliliğinden yola çıkarak, Evrişimli sinir ağını (QNN'ler) kullanarak veriler analiz edilmiş, tahminler yapılmış ve sonuçlar değerlendirilmiştir. Kuantum halinde kodlanmış covid'19 veri setinin ikili sınıflandırması gerçekleştirilmiştir. Ayrıca Pennylane'in "varsayılan qubit" cihazındaki farklı parametreleri de dikkate alarak performansı araştırılmıştır. Kullanılan veri seti modeli için 250 eğitim ve 65 test görüntüsü içermektedir. Veri setinde verilen görüntüler gerçek hayattaki göğüs röntgenidir ve önceden değiştirilmemiştir. Ancak hesaplama kaynaklarındaki bazı sınırlamalar nedeniyle bu çalışmada boyut 28x28 olarak tutulmuştur. Model-1, 'Normal Kişi' ve 'Covid'19/Viral Pnömoni' olmak üzere iki sınıf arasında sınıflandırma yapar. Model-2, 'Covid'19' ve 'Viral Pnömoni' olmak üzere iki sınıf arasında sınıflandırma yapar. Kuantum Sınıflandırıcısı 1'de, Temel Veri Analizi ile çıkarılan 256 öznitelik boyutlu girdi verisinden 11 öznitelik kullanılmıştır. Burada yaklaşık %70 doğruluk elde edilmiştir. Kuantum Sınıflandırıcısı 2'de TruncatedSVD yöntemini kullanarak her görüntünün 256 özniteliği 4'e indirilmiştir. Yaklaşık %72 doğruluk (accuracy) elde edilmiştir. Kuantum Sınıflandırıcısı 3'de verileri yalnızca 2 özniteliğe indirgenmiştir. Beklenmedik bir şekilde bu daha önce yaklaşılanların en yükseği olan %76 doğruluğu vermiştir.