[論文レビュー] Heart Disease Detection using Quantum Computing and Partitioned Random Forest Methods

Hanif Heidari, Gerhard Hellstern+1 more|arXiv (Cornell University)|Aug 17, 2022

Artificial Intelligence in Healthcare被引用数 5

ひとこと要約

本論文は、2–4量子ビットを用いて早期の心疾患検出を改善するハイブリッド量子ランダムフォレスト（HQRF）モデルを提案する。量子コンピューティングと分割されたランダムフォレストを統合することで、精度と耐障害性が向上する。ClevelandではAUC 96.43%、StatlogではAUC 97.78%を達成し、従来のハイブリッド量子ニューラルネットワーク（HQNN）よりも外れ値への耐性と効率性に優れ、小規模および大規模データセットにおいて優れた性能を示す。

ABSTRACT

Heart disease morbidity and mortality rates are increasing, which has a negative impact on public health and the global economy. Early detection of heart disease reduces the incidence of heart mortality and morbidity. Recent research has utilized quantum computing methods to predict heart disease with more than 5 qubits and are computationally intensive. Despite the higher number of qubits, earlier work reports a lower accuracy in predicting heart disease, have not considered the outlier effects, and requires more computation time and memory for heart disease prediction. To overcome these limitations, we propose hybrid random forest quantum neural network (HQRF) using a few qubits (two to four) and considered the effects of outlier in the dataset. Two open-source datasets, Cleveland and Statlog, are used in this study to apply quantum networks. The proposed algorithm has been applied on two open-source datasets and utilized two different types of testing strategies such as 10-fold cross validation and 70-30 train/test ratio. We compared the performance of our proposed methodology with our earlier algorithm called hybrid quantum neural network (HQNN) proposed in the literature for heart disease prediction. HQNN and HQRF outperform in 10-fold cross validation and 70/30 train/test split ratio, respectively. The results show that HQNN requires a large training dataset while HQRF is more appropriate for both large and small training dataset. According to the experimental results, the proposed HQRF is not sensitive to the outlier data compared to HQNN. Compared to earlier works, the proposed HQRF achieved a maximum area under the curve (AUC) of 96.43% and 97.78% in predicting heart diseases using Cleveland and Statlog datasets, respectively with HQNN. The proposed HQRF is highly efficient in detecting heart disease at an early stage and will speed up clinical diagnosis.

研究の動機と目的

• 既存の量子ベースの心疾患予測モデルにおける限界、すなわち高コストな量子ビット要件、外れ値への脆弱性、高い計算コストを解消すること。
• 小規模および大規模なトレーニングデータセットに適した、より効率的かつ耐障害性の高い量子機械学習モデルを開発すること。
• 量子コンピューティングと分割されたランダムフォレストの統合により、予測精度とAUCを向上させること。
• 高い性能を維持しながら大規模なトレーニングデータに依存しないモデルを実現し、早期臨床診断を可能にすること。
• 従来のハイブリッド量子ニューラルネットワークと比較して、本モデルの外れ値に対する耐障害性を評価すること。

提案手法

• 提案されたHQRFモデルは、特徴の学習と分類性能の向上を目的に、量子回路と分割されたランダムフォレストアンサンブルを統合する。
• 量子回路は2–4量子ビットで実装され、リソース消費を最小限に抑えつつ高い性能を維持する。
• データセットはサブセットに分割され、それぞれがランダムフォレストフレームワーク内での量子強化型決定木によって処理される。
• ランダムフォレストのアンサンブル特性により外れ値の影響が軽減され、極端な値への感受性が低下する。
• 2つの評価戦略が用いられる：10分割交差検証と70-30トレーニング/テスト分割。これにより、性能の堅牢な評価が保証される。
• モデルは、多様な臨床的データ分布を反映する2つのオープンソースデータセット、ClevelandおよびStatlogでトレーニングおよびテストが行われる。

実験結果

リサーチクエスチョン

• RQ1 5量子ビット未満の量子機械学習モデルが、既存の量子ベースのモデルよりも心疾患検出において高い精度を達成できるか？
• RQ2 外れ値が存在する状況下で、提案されたHQRFモデルはHQNNモデルと比較してどのように性能を発揮するか？
• RQ3 HQRFモデルは小規模および大規模なトレーニングデータセットの両方で高い性能を維持できるか？
• RQ4 分割されたランダムフォレストアーキテクチャを用いることで、モデルの一般化性能と計算効率にどのような影響があるか？
• RQ5 AUCおよびトレーニング効率の観点から、HQRFモデルはHQNNモデルと比較してどのように異なるか？

主な発見

• HQRFモデルはClevelandデータセットでAUC 96.43%を達成し、従来の量子モデルを上回った。
• StatlogデータセットではAUC 97.78%を達成し、クロスデータセット評価において優れた性能を示した。
• HQRFはHQNNモデルと比較して顕著に外れ値への感受性が低く、耐障害性が向上した。
• HQRFは小規模および大規模なトレーニングデータセットの両方で高い性能を維持したが、HQNNは最適な結果を得るためには大規模データセットを必要とした。
• HQRFはわずか2–4量子ビットで高い精度を達成し、従来の量子モデルと比較して計算コストとメモリ使用量を削減した。
• 10分割交差検証ではHQRFがHQNNを上回ったが、70-30トレーニング/テスト分割ではHQNNが優れた結果を示した。これは、データセットサイズに依存する性能差を示している。