論文の概要: Heart Disease Detection using Quantum Computing and Partitioned Random Forest Methods

• arxiv url: http://arxiv.org/abs/2208.08882v3
• Date: Sat, 27 Apr 2024 13:07:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 03:47:11.332003
• Title: Heart Disease Detection using Quantum Computing and Partitioned Random Forest Methods
• Title（参考訳）: 量子コンピューティングとランダムフォレスト法による心臓病検出
• Authors: Hanif Heidari, Gerhard Hellstern, Murugappan Murugappan,
• Abstract要約: 心臓病の早期発見は、心臓死亡率と死亡率を低下させる。 近年の研究では、5キュービット以上の心臓疾患を予測するために量子コンピューティング手法が用いられている。 本研究では,クリーブランドとスタットログという2つのオープンソースデータセットを用いて量子ネットワークを適用した。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://creativecommons.org/licenses/by/4.0/
• 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.
• Abstract（参考訳）: 心臓病の死亡率や死亡率は増加しており、公衆衛生や世界経済に悪影響を及ぼしている。 心臓病の早期発見は、心臓死亡率と死亡率を低下させる。 近年の研究では,5キュービット以上の心疾患の予測に量子コンピューティング手法が用いられている。 クビット数が多いにもかかわらず、初期の研究では、心臓病の予測の精度は低く、不整脈効果は考慮されておらず、心臓病の予測には計算時間と記憶が必要であると報告していた。 これらの制約を克服するために,数量子ビット(2〜4ビット)を用いたハイブリッドランダムフォレスト量子ニューラルネットワーク(HQRF)を提案する。 本研究では,クリーブランドとスタットログという2つのオープンソースデータセットを用いて量子ネットワークを適用した。 提案アルゴリズムは2つのオープンソースデータセットに適用され、10倍のクロスバリデーションと70-30のトレイン/テスト比率のような2種類のテスト戦略を利用している。 提案手法の性能を,心臓疾患予測のための文献で提案したHybrid quantum Neural Network (HQNN) アルゴリズムと比較した。 HQNNとHQRFは、それぞれ10倍のクロスバリデーションと70/30の列車/テストスプリット比で優れていた。 その結果、HQNNは大規模なトレーニングデータセットを必要とする一方で、HQRFは大規模なトレーニングデータセットと小規模なトレーニングデータセットの両方により適していることがわかった。 実験結果によると、提案したHQRFはHQNNと比較して外れ値に敏感ではない。 以前の研究と比較すると、HQRFは96.43%と97.78%の曲線の下で最大面積を達成し、それぞれHQNNとクリーブランドとスタットログのデータセットを用いて心臓病を予測した。 提案したHQRFは、早期に心臓病を検出でき、臨床診断を高速化する。

関連論文リスト

• KACQ-DCNN: Uncertainty-Aware Interpretable Kolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network for Heart Disease Detection [1.927711700724334]
  心不全は世界的な健康上の大きな課題であり、心臓血管疾患による毎年1780万人の死亡に大きく貢献している。 古典的機械学習の顔制限に基づく現在の心臓疾患予測モデル KACQ-DCNNは古典量子ハイブリッド2チャネルニューラルネットワークである。
  論文  参考訳（メタデータ） (2024-10-09T21:26:49Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Research on Early Warning Model of Cardiovascular Disease Based on Computer Deep Learning [5.761426161930679]
  本研究は,1次元畳み込みニューラルネットワークに基づく心血管疾患早期警戒モデルについて検討することを目的とする。 患者年齢,血糖値,コレステロール値,胸痛値などの生理・症状指標が欠落し,Zスコアが標準化された。
  論文  参考訳（メタデータ） (2024-06-13T07:04:22Z)
• An Improved Heart Disease Prediction Using Stacked Ensemble Method [0.9187159782788579]
  機械学習を用いた心疾患予測システムを構築した。 心臓疾患のある人と正常な人とを簡単に区別することができる。
  論文  参考訳（メタデータ） (2023-04-12T17:53:59Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• An IoT Framework for Heart Disease Prediction based on MDCNN Classifier [0.0]
  IoTフレームワークは、Deep Modified Convolutional Neural Network(MDCNN)を用いて心臓病をより正確に評価する。 患者に取り付けられたスマートウォッチと心臓モニター装置は、血圧と心電図(ECG)を監視します。 その結果, MDCNN を用いた心疾患予測システムは, 他の方法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-10T22:00:56Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• A Novel Approach to the Diagnosis of Heart Disease using Machine Learning and Deep Neural Networks [0.0]
  本研究の目的は、機械学習(ML)とディープニューラルネットワーク(DNN)アルゴリズムを用いた心臓疾患診断のためのアプリケーションを開発することである。 このアプリケーションは、Frask上で動作し、DNNを使用してBootstrapを利用するように開発され、Random Forest MLモデルよりも92%の精度で実行された。
  論文  参考訳（メタデータ） (2020-07-25T19:08:04Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。