[論文レビュー] Dementia Prediction Applying Variational Quantum Classifier

Daniel Sierra-Sosa, Juan D. Arcila-Moreno+3 more|arXiv (Cornell University)|Jul 14, 2020

Quantum Computing Algorithms and ArchitectureComputer Science参考文献 28被引用数 19

ひとこと要約

本研究では、IBMのQiskitフレームワークに統合された変分量子分類器（VQC）を用いて、実世界の臨床データセットを用いて高齢者の認知症予測を実施した。その結果、VQCは、特徴量の数を変化させた場合でも、古典的線形SVMよりも一貫性と正確性に優れていることが示された。これは、現在のNISQハードウェア制限がある中でも、スケーラブルで高性能な医療診断に向けた量子機械学習の可能性を示している。

ABSTRACT

Dementia is the fifth cause of death worldwide with 10 million new cases every year. Healthcare applications using machine learning techniques have almost reached the physical limits while more data is becoming available resulting from the increasing rate of diagnosis. Recent research in Quantum Machine Learning (QML) techniques have found different approaches that may be useful to accelerate the training process of existing machine learning models and provide an alternative to learn more complex patterns. This work aims to report a real-world application of a Quantum Machine Learning Algorithm, in particular, we found that using the implemented version for Variational Quantum Classiffication (VQC) in IBM's framework Qiskit allows predicting dementia in elderly patients, this approach proves to provide more consistent results when compared with a classical Support Vector Machine (SVM) with a linear kernel using different number of features.

研究の動機と目的

• 変分量子分類（VQC）を実世界の認知症患者データに適用する可能性を評価すること。
• 認知症予測において、VQCの性能を古典的機械学習モデル（特に線形SVM）と比較すること。
• 特徴量の数が、量子および古典的モデルの分類性能に与える影響を評価すること。
• 現在のNISQデバイスの制限がある中でも、量子機械学習技術が現実の医療データセットで競争力のある結果を達成できることを示すこと。

提案手法

• 前処理として、最小-最大正規化と特徴量選択を実施し、166例の患者と99の変数を含む臨床データセットの次元削減とノイズ低減を図った。
• VQCモデルは、IBMのQiskitフレームワークを用いて実装され、2〜5量子ビットを異なる特徴量サブセットでテストした。
• 量子状態の準備には、アモイタードエンコーディングを用い、データセットの構造を活用して古典的データを量子状態にマッピングした。
• 最適化にはCOBYLA最適化法を採用し、統計的信頼性を確保するため、1回の実験あたり1024ショットを実行した。
• 分類性能の評価には、複数の特徴量コンビネーションを対象に、標準指標（正解率、適合率、再現率、F1スコア）を用いた。
• 直接比較が可能となるよう、同一の条件下で線形カーネルを用いた古典的SVMを訓練および評価した。

実験結果

リサーチクエスチョン

• RQ1 変分量子分類（VQC）は、古典的機械学習モデルと比較して、実世界の認知症予測において競争力のある性能を達成できるか？
• RQ2 入力特徴量の数が、VQCおよび古典的SVMの分類性能にどのように影響するか？
• RQ3 VQCは、特徴量の数を変化させた場合、古典的モデルと比較してより一貫性を示すか？
• RQ4 現在のNISQ時代の量子ハードウェアおよびソフトウェアフレームワークは、医療分類のための実臨床データセットをどれほど処理できるか？

主な発見

• VQCは、特徴量の数を変化させた場合でも、特に安定性とF1スコアの一貫性において、古典的線形SVMを常に上回った。
• VQCモデルは、5量子ビットを用いた場合、平均正解率85.6％を達成し、限られた量子ビット数でも優れた性能を示した。
• 一部のSVM設定では特定のクラスで適合率が高かったが、特徴量数が変化した際の全体的な性能は、VQCに比べて一貫性に欠けていた。
• 結果から、VQCは認知症予測に実用的かつスケーラブルなアプローチであり、将来的な量子ハードウェアの進化に伴いさらなる向上が期待できることが示された。
• 本研究は、現在のNISQ制限下でも、量子機械学習技術が実臨床データセットに適用可能であり、有意義な結果をもたらす可能性を確認した。