論文の概要: Quantum Machine Learning in Healthcare: Evaluating QNN and QSVM Models

• arxiv url: http://arxiv.org/abs/2505.20804v1
• Date: Tue, 27 May 2025 07:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.46269
• Title: Quantum Machine Learning in Healthcare: Evaluating QNN and QSVM Models
• Title（参考訳）: 医療における量子機械学習:QNNとQSVMモデルの評価
• Authors: Antonio Tudisco, Deborah Volpe, Giovanna Turvani,
• Abstract要約: 本研究では、量子ニューラルネットワーク(QNN)と量子サポートベクトルマシン(QSVM)に焦点を当てる。 以上の結果から,QSVMは全データセットでQNNよりも優れており,過度に適合する可能性が示唆された。 これらの発見は予備的ではあるが、医療分類タスクにおける量子モデルの可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.25602836891933073
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective and accurate diagnosis of diseases such as cancer, diabetes, and heart failure is crucial for timely medical intervention and improving patient survival rates. Machine learning has revolutionized diagnostic methods in recent years by developing classification models that detect diseases based on selected features. However, these classification tasks are often highly imbalanced, limiting the performance of classical models. Quantum models offer a promising alternative, exploiting their ability to express complex patterns by operating in a higher-dimensional computational space through superposition and entanglement. These unique properties make quantum models potentially more effective in addressing the challenges of imbalanced datasets. This work evaluates the potential of quantum classifiers in healthcare, focusing on Quantum Neural Networks (QNNs) and Quantum Support Vector Machines (QSVMs), comparing them with popular classical models. The study is based on three well-known healthcare datasets -- Prostate Cancer, Heart Failure, and Diabetes. The results indicate that QSVMs outperform QNNs across all datasets due to their susceptibility to overfitting. Furthermore, quantum models prove the ability to overcome classical models in scenarios with high dataset imbalance. Although preliminary, these findings highlight the potential of quantum models in healthcare classification tasks and lead the way for further research in this domain.
• Abstract（参考訳）: がん、糖尿病、心不全などの疾患の有効かつ正確な診断は、タイムリーな医療介入と患者の生存率の向上に不可欠である。 近年、機械学習は、選択された特徴に基づいて疾患を検出する分類モデルを開発することで、診断方法に革命をもたらした。 しかしながら、これらの分類タスクは、しばしば非常に不均衡であり、古典的なモデルの性能を制限している。 量子モデルは、重畳と絡み合いを通じて高次元の計算空間で操作することで、複雑なパターンを表現する能力を利用して、有望な代替手段を提供する。 これらのユニークな性質は、不均衡なデータセットの課題に対処する上で、量子モデルを潜在的に効果的にする。 この研究は、医療における量子分類器の可能性を評価し、量子ニューラルネットワーク(QNN)と量子サポートベクトルマシン(QSVM)に焦点を当て、人気のある古典モデルと比較する。 この研究は、前立腺癌、心不全、糖尿病という、よく知られた3つの医療データセットに基づいている。 その結果、QSVMは、オーバーフィッティングに対する感受性のため、すべてのデータセットでQNNよりも優れていることが示唆された。 さらに、量子モデルは、データセットの不均衡の高いシナリオで古典的なモデルを克服する能力を証明する。 これらの発見は予備的ではあるが、医療分類タスクにおける量子モデルの可能性を強調し、この領域におけるさらなる研究の道のりを導いた。

関連論文リスト

• Multi-VQC: A Novel QML Approach for Enhancing Healthcare Classification [0.25602836891933073]
  近年、機械学習は、病気を識別できる分類モデルを作成することによって、診断プラクティスに革命をもたらした。 量子モデルへの関心は、高次元の計算空間にデータをマッピングすることで複雑なパターンを表現する能力によって生まれた。
  論文  参考訳（メタデータ） (2025-05-27T07:00:33Z)
• Comparative Analysis of Quantum Support Vector Machines and Variational Quantum Classifiers for B-cell Epitope Prediction in Vaccine Design [0.0]
  本研究では,B細胞予測における量子支援ベクトルマシン(QSVM)と変分量子(VQC)の2つの量子機械学習モデルについて検討した。
  論文  参考訳（メタデータ） (2025-04-14T10:19:33Z)
• CQ CNN: A Hybrid Classical Quantum Convolutional Neural Network for Alzheimer's Disease Detection Using Diffusion Generated and U Net Segmented 3D MRI [0.0]
  臨床MRIデータからアルツハイマー病(AD)を検出することは、医用画像研究の活発な領域である。 量子コンピューティングの最近の進歩は、従来の手法よりも優れたモデルを開発する新しい機会を提供する。 臨床用3次元MRIデータを用いたAD検出のためのエンドツーエンドの古典的量子畳み込みニューラルネットワーク(CQ CNN)を提案する。
  論文  参考訳（メタデータ） (2025-03-04T07:08:47Z)
• Machine Learning and Quantum Intelligence for Health Data Scenarios [0.0]
  従来の機械学習アルゴリズムは、高次元または限られた品質のデータセットでしばしば課題に直面している。 量子機械学習は、重ね合わせや絡み合いなどの量子特性を活用し、パターン認識と分類を強化する。 本稿では、QMLの医療への応用について検討し、心疾患予測とCOVID-19検出のための量子カーネル法とハイブリッド量子古典的ネットワークに焦点を当てた。
  論文  参考訳（メタデータ） (2024-10-28T01:04:43Z)
• KACQ-DCNN: Uncertainty-Aware Interpretable Kolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network for Heart Disease Detection [1.927711700724334]
  心不全は世界的な死亡の原因であり、診断戦略の改善が必要である。 我々はKolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network (KACQ-DCNN)を提案する。 私たちのモデルは、古典的および12の量子ニューラルネットワークを含む37のベンチマークモデルより優れています。
  論文  参考訳（メタデータ） (2024-10-09T21:26:49Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。