Early Detection of Coronary Heart Disease Using Hybrid Quantum Machine Learning Approach

要約

冠状動脈性心疾患 (CHD) は重度の心臓病であるため、治療成績を向上させ、医療費を節約するために、早期診断が不可欠です。
量子コンピューティングおよび機械学習 (ML) テクノロジーの普及により、CHD 診断のパフォーマンスが実質的に向上する可能性があります。
量子機械学習 (QML) は、その高いパフォーマンスと機能により、さまざまな分野で多大な関心を集めています。
ヘルスケア業界の飛躍的な進歩により、処理能力が向上し、複数のモデルが最適化されます。
QML の技術には、心疾患を予測し、早期発見に役立つ可能性があります。
冠状動脈性心疾患のリスクを予測するために、この論文では、QML 分類器に基づくアンサンブル機械学習モデルを利用したハイブリッド アプローチを紹介します。
私たちのアプローチは、多次元の医療データに対処する独自の機能を備えており、多段階の推論フレームワークで量子アルゴリズムと古典的な ML アルゴリズムを融合することによって手法の堅牢性を確保します。
心臓病と死亡率の顕著な上昇は、世界中の人間の健康と世界経済に影響を与えています。
心臓病の罹患率と死亡率を減らすには、心臓病の早期発見が必要です。
この研究では、ハイブリッド アプローチにより、量子コンピューティング機能を備えた技術を利用して、従来の機械学習アルゴリズムでは受け入れられない複雑な問題に取り組み、計算コストを最小限に抑えます。
提案された手法は、Raspberry Pi 5 グラフィックス プロセッシング ユニット (GPU) プラットフォームで開発され、CHD に苦しむ患者と健康な対照者からの臨床データと画像データを統合する広範なデータセットでテストされました。
古典的な機械学習モデルと比較して、CHD で使用される提案されたハイブリッド QML モデルの精度、感度、F1 スコア、特異性は何倍も高くなります。

要約(オリジナル)

Coronary heart disease (CHD) is a severe cardiac disease, and hence, its early diagnosis is essential as it improves treatment results and saves money on medical care. The prevailing development of quantum computing and machine learning (ML) technologies may bring practical improvement to the performance of CHD diagnosis. Quantum machine learning (QML) is receiving tremendous interest in various disciplines due to its higher performance and capabilities. A quantum leap in the healthcare industry will increase processing power and optimise multiple models. Techniques for QML have the potential to forecast cardiac disease and help in early detection. To predict the risk of coronary heart disease, a hybrid approach utilizing an ensemble machine learning model based on QML classifiers is presented in this paper. Our approach, with its unique ability to address multidimensional healthcare data, reassures the method’s robustness by fusing quantum and classical ML algorithms in a multi-step inferential framework. The marked rise in heart disease and death rates impacts worldwide human health and the global economy. Reducing cardiac morbidity and mortality requires early detection of heart disease. In this research, a hybrid approach utilizes techniques with quantum computing capabilities to tackle complex problems that are not amenable to conventional machine learning algorithms and to minimize computational expenses. The proposed method has been developed in the Raspberry Pi 5 Graphics Processing Unit (GPU) platform and tested on a broad dataset that integrates clinical and imaging data from patients suffering from CHD and healthy controls. Compared to classical machine learning models, the accuracy, sensitivity, F1 score, and specificity of the proposed hybrid QML model used with CHD are manifold higher.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google