[논문 리뷰] Dementia Prediction Applying Variational Quantum Classifier

Daniel Sierra-Sosa, Juan D. Arcila-Moreno외 3명|arXiv (Cornell University)|2020. 07. 14.

Quantum Computing Algorithms and ArchitectureComputer Science참고 문헌 28인용 수 19

한 줄 요약

이 연구는 IBM의 Qiskit 프레임워크에서 제공하는 변분 양자 분류기(Variational Quantum Classifier, VQC)를 실생활 임상 데이터셋을 사용하여 노인 환자에서 치매를 예측하는 데 적용한다. 다양한 특성 조합에서 VQC가 고전적 선형 SVM보다 일관성과 정확도 면에서 뛰어나다는 것을 입증하며, 현재 NISQ 하드웨어 제약에도 불구하고 양자 기계학습이 확장 가능하고 고성능의 의료 진단에 활용될 잠재력을 보여준다.

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.

연구 동기 및 목표

• 실생활 치매 환자 데이터에 변분 양자 분류(Variational Quantum Classification, VQC)를 적용할 수 있는지의 가능성을 평가하는 것.
• 치매 예측에서 고전적 기계학습 모델, 특히 선형 SVM와의 성능을 비교하는 것.
• 양자 및 고전적 모델을 사용하여 특성 수의 영향을 분류 성능에 평가하는 것.
• 현재 NISQ 장치 제약 조건에도 불구하고 양자 기계학습 기법이 현실적인 의료 데이터셋에서 경쟁 가능한 성능을 달성할 수 있음을 보여주는 것.

제안 방법

• 전처리 단계에서는 최소-최대 정규화와 특성 선택을 통해 임상 데이터셋의 차원과 노이즈를 감소시켰다. 총 166명의 환자와 99개의 변수를 포함한다.
• VQC 모델은 IBM의 Qiskit 프레임워크를 사용하여 구현되었으며, 다양한 특성 서브셋에 대해 2에서 5 큐비트까지 테스트되었다.
• 양자 상태 준비에는 고전적 데이터를 양자 상태로 매핑하는 데 사용된 앰플리튜드 인코딩을 활용하였으며, 데이터셋의 구조를 유용하게 활용하였다.
• 최적화는 COBYLA 최적화기와 함께 수행되었으며, 통계적 신뢰성을 확보하기 위해 각 실험에 대해 1024회의 샷을 사용하였다.
• 분류 성능 평가는 여러 특성 조합에 걸쳐 표준 지표인 정확도, 정밀도, 재현도, F1-스코어를 사용하여 평가되었다.
• 직접 비교를 위해 동일한 조건에서 선형 커널을 사용한 고전적 SVM도 훈련 및 평가되었다.

실험 결과

연구 질문

• RQ1 변분 양자 분류(Variational Quantum Classification, VQC)가 고전적 기계학습 모델과 비교해 실생활 치매 예측에서 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 입력 특성 수가 VQC와 고전적 SVM의 분류 성능에 어떤 영향을 미치는가?
• RQ3 치매 예측에서 VQC가 고전적 모델보다 다양한 특성 세트에서 더 높은 일관성을 보일 수 있는가?
• RQ4 현재 NISQ 시대의 양자 하드웨어와 소프트웨어 프레임워크가 실생활 임상 데이터셋을 활용한 의료 분류 작업을 어느 정도 처리할 수 있는가?

주요 결과

• VQC는 다양한 특성 수에서 일관되게 고전적 선형 SVM보다 뛰어난 성능을 보였으며, 특히 안정성과 F1-스코어 일관성 면에서 뛰어났다.
• 5 큐비트를 사용한 VQC 모델은 평균 정확도 85.6%를 기록하여 제한된 큐비트 수에도 불구하고 뛰어난 성능을 보였다.
• 일부 SVM 설정에서는 특정 클래스에서 더 높은 정밀도를 보였지만, 특성 수가 변할 경우 전체 성능가지 VQC에 비해 일관성은 떨어졌다.
• 결과적으로 VQC는 치매 예측에 실현 가능하고 확장 가능한 접근법이며, 향후 양자 하드웨어 발전에 따라 성능 향상이 기대된다.
• 본 연구는 현재 NISQ 제약 조건 하에서도 양자 기계학습 기법이 실생활 임상 데이터셋에 적용되어 의미 있는 결과를 도출할 수 있음을 확인하였다.