[论文解读] 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 Architecture参考文献 28被引用 19

一句话总结

本研究采用IBM Qiskit框架中的变分量子分类器（VQC）对真实世界临床数据集中的老年患者痴呆风险进行预测，结果表明VQC在不同特征集下均表现出优于经典线性SVM的一致性和准确性，尽管当前NISQ硬件存在限制，仍显示出量子机器学习在可扩展、高性能医疗诊断中的潜力。

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.

研究动机与目标

• 评估将变分量子分类（VQC）应用于真实世界痴呆患者数据的可行性。
• 比较VQC与经典机器学习模型（特别是线性SVM）在痴呆预测中的性能表现。
• 评估特征数量对量子与经典模型分类性能的影响。
• 证明尽管当前NISQ设备存在限制，量子机器学习技术仍可在真实医疗数据集上实现具有竞争力的结果。

提出的方法

• 预处理包括最小-最大归一化和特征选择，以降低166名患者、99个变量的临床数据集的维度和噪声。
• VQC模型使用IBM的Qiskit框架实现，测试了2至5个量子比特在不同特征子集上的表现。
• 量子态制备用振幅编码实现，将经典数据映射到量子态，充分利用数据集的结构特征。
• 优化使用COBYLA优化器，每项实验执行1024次测量以确保统计可靠性。
• 通过标准指标（准确率、精确率、召回率和F1分数）在多种特征组合下评估分类性能。
• 在相同条件下训练并评估具有线性核的古典SVM，以实现直接对比。

实验结果

研究问题

• RQ1 与经典机器学习模型相比，变分量子分类（VQC）在真实世界痴呆预测中能否实现具有竞争力的性能？
• RQ2 输入特征数量如何影响VQC与经典SVM的分类性能？
• RQ3 在不同特征集下，VQC是否表现出比经典模型更高的性能一致性？
• RQ4 当前NISQ时代量子硬件与软件框架在处理真实临床数据集用于医学分类方面的能力达到何种程度？

主要发现

• VQC在不同特征数量下均持续优于经典线性SVM，尤其在稳定性与F1分数一致性方面表现更优。
• VQC模型在使用5个量子比特时达到平均85.6%的准确率，即使在量子比特数量有限的情况下也表现出强劲性能。
• 尽管部分SVM配置在特定类别中表现出更高精确率，但当特征数量变化时，其整体性能一致性不如VQC。
• 结果表明，VQC是一种可行且可扩展的痴呆预测方法，随着未来量子硬件的发展，性能有望进一步提升。
• 本研究证实，即使在当前NISQ约束下，量子机器学习技术仍可应用于真实临床数据集并取得有意义的结果。