Abstract

Despite the great efforts to find an effective way for coronavirus disease 2019 (COVID-19) prediction, the virus nature and mutation represent a critical challenge to diagnose the covered cases. However, developing a model to predict COVID-19 via chest X-ray images with accurate performance is necessary to help in early diagnosis. In this paper, a hybrid quantum-classical convolutional neural network (HQ-CNN) model using random quantum circuits as a base to detect COVID-19 patients with chest X-ray images is presented. A collection of 5445 chest X-ray images, including 1350 COVID-19, 1350 normal, 1345 viral pneumonia, and 1400 bacterial pneumonia images, were used to evaluate the HQ-CNN. The proposed HQ-CNN model has achieved higher performance with an accuracy of 98.6% and a recall of 99% on the first experiment (COVID-19 and normal cases). Besides, it obtained an accuracy of 98.2% and a recall of 99.5% on the second experiment (COVID-19 and viral pneumonia cases). Also, it obtained 98% and 98.8% for accuracy and recall, respectively, on the third dataset (COVID-19 and bacterial pneumonia cases). Lastly, it achieved accuracy and recall of 88.2% and 88.6%, respectively, on the multiclass dataset cases. Moreover, the HQ-CNN model is assessed with the statistical analysis (i.e. Cohen’s Kappa and Matthew correlation coefficients). The experimental results revealed that the proposed HQ-CNN model is able to predict the positive COVID-19 cases.

中文翻译：

---

使用胸部 X 射线图像预测 COVID-19 的混合量子经典卷积神经网络模型

摘要

尽管为寻找 2019 年冠状病毒病 (COVID-19) 预测的有效方法付出了巨大努力，但病毒的性质和突变是诊断所覆盖病例的关键挑战。但是，有必要开发一个模型来通过具有准确性能的胸部 X 射线图像预测 COVID-19，以帮助早期诊断。在本文中，提出了一种混合量子经典卷积神经网络 (HQ-CNN) 模型，该模型使用随机量子电路作为基础来检测 COVID-19 患者的胸部 X 光图像。使用一组 5445 幅胸部 X 光图像，包括 1350 幅 COVID-19、1350 幅正常、1345 幅病毒性肺炎和 1400 幅细菌性肺炎图像来评估 HQ-CNN。所提出的 HQ-CNN 模型在第一次实验（COVID-19 和正常情况）中以 98.6% 的准确率和 99% 的召回率实现了更高的性能。此外，它在第二个实验（COVID-19 和病毒性肺炎病例）中获得了 98.2% 的准确率和 99.5% 的召回率。此外，它在第三个数据集（COVID-19 和细菌性肺炎病例）上的准确率和召回率分别为 98% 和 98.8%。最后，它在多类数据集案例上分别实现了 88.2% 和 88.6% 的准确率和召回率。此外，HQ-CNN 模型通过统计分析（即 Cohen 的 Kappa 和 Matthew 相关系数）进行评估。实验结果表明，所提出的 HQ-CNN 模型能够预测 COVID-19 阳性病例。在第三个数据集（COVID-19 和细菌性肺炎病例）上。最后，它在多类数据集案例上分别实现了 88.2% 和 88.6% 的准确率和召回率。此外，HQ-CNN 模型通过统计分析（即 Cohen 的 Kappa 和 Matthew 相关系数）进行评估。实验结果表明，所提出的 HQ-CNN 模型能够预测 COVID-19 阳性病例。在第三个数据集（COVID-19 和细菌性肺炎病例）上。最后，它在多类数据集案例上分别实现了 88.2% 和 88.6% 的准确率和召回率。此外，HQ-CNN 模型通过统计分析（即 Cohen 的 Kappa 和 Matthew 相关系数）进行评估。实验结果表明，所提出的 HQ-CNN 模型能够预测 COVID-19 阳性病例。