論文の概要: KQML-Liver: Interpretable Hybrid Quantum Machine Learning with Kolmogorov-Arnold Networks for Liver Disease Classification
- arxiv url: http://arxiv.org/abs/2611.15241v1
- Date: Wed, 11 Nov 2026 09:31:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.0934
- Title: KQML-Liver: Interpretable Hybrid Quantum Machine Learning with Kolmogorov-Arnold Networks for Liver Disease Classification
- Title(参考訳): KQML-Liver:肝疾患分類のためのKolmogorov-Arnoldネットワークを用いた解釈可能なハイブリッド量子機械学習
- Abstract要約: 肝疾患は、信頼性が高くアクセスしやすい早期発見方法の必要性を浮き彫りにしている。
機械学習、ディープラーニング、量子機械学習(QML)の最近の進歩は、有望な診断ツールを導入している。
本稿では,QMLとKAN(Kolmogorov-Arnold Networks)を統合するハイブリッドフレームワークであるKQML-Liverを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Liver disease remains a major global health concern, highlighting the need for reliable and accessible early detection methods. Although recent advances in machine learning, deep learning and quantum machine learning (QML) have introduced promising diagnostic tools, many approaches suffer from limited interpretability and inflated performance caused by data leakage or overly simplistic evaluation protocols. These constraints reduce their reliability in real-world clinical practice. This paper proposes KQML-Liver, a hybrid framework that integrates QML with Kolmogorov-Arnold Networks (KANs) to enhance predictive performance and interpretability. The architecture combines parameterized quantum circuits for expressive feature representation with KAN-based functional mappings that capture nonlinear relationships in an interpretable manner. Evaluated on the Indian Liver Patient Dataset (ILPD) under a rigorous preprocessing protocol preventing data leakage, the proposed model achieves 82% classification accuracy and 100% recall, detecting all positive cases, outperforming existing baselines while providing improved transparency in clinical predictions. These results suggest that hybrid KAN-quantum architectures offer a promising direction for interpretable AI-assisted medical diagnosis.
- Abstract(参考訳): 肝疾患は、信頼性が高くアクセスしやすい早期発見方法の必要性を浮き彫りにしている。
機械学習、ディープラーニング、量子機械学習(QML)の最近の進歩は、有望な診断ツールを導入しているが、多くのアプローチは、データ漏洩や過度に単純化された評価プロトコルによって引き起こされる、限定的な解釈可能性と膨らませたパフォーマンスに悩まされている。
これらの制約は、実際の臨床実践における信頼性を低下させる。
本稿では,QMLとKAN(Kolmogorov-Arnold Networks)を統合するハイブリッドフレームワークであるKQML-Liverを提案する。
このアーキテクチャは、表現的特徴表現のためのパラメータ化量子回路と、非線型関係を解釈可能な方法でキャプチャするkanベースの関数マッピングを組み合わせる。
インド肝患者データセット (ILPD) を厳密な事前処理プロトコルで評価し, 82%の分類精度と100%のリコールを達成し, すべての陽性症例を検出し, 既存のベースラインを上回り, 臨床予測における透明性の向上を実現した。
これらの結果から,ハイブリッドなKANSAアーキテクチャはAI支援診断に有望な方向性を示すことが示唆された。
関連論文リスト
- Patients-like-me: A Variational LM--GNN Framework for Explainable Clinical Prediction [23.48690655415839]
グラフニューラルネットワーク(GNN)は、患者間の関係を組み込んだ言語モデル(LM)を補完し、参照患者への帰属を可能にする。
我々は,局所的な患者意味論とグローバルコホート構造を統合する統一的なLM-GNNフレームワークを提案する。
MIMIC-IIIとMIMIC-IVの実験は、PLMが常に最先端の手法より優れていることを示している。
論文 参考訳(メタデータ) (2026-08-04T19:51:52Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳(メタデータ) (2026-02-27T07:19:23Z) - A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。
ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。
本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2026-01-29T18:48:21Z) - DiagnoLLM: A Hybrid Bayesian Neural Language Framework for Interpretable Disease Diagnosis [9.694872671659484]
本報告では,ベイジアン・デコンボリューション,eQTL誘導深層学習,LCMを用いた診断用物語生成を併用したハイブリッドフレームワークであるtextttDiagnoLLMを提案する。
以上の結果から,LLMはエンドツーエンドの予測器ではなく,ポストホックな推論器としてデプロイされる場合,ハイブリッド診断パイプライン内の効果的なコミュニケータとして機能することが示唆された。
論文 参考訳(メタデータ) (2025-11-08T02:51:21Z) - CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks [42.852654951995426]
causalKANsは、条件付き平均治療効果(CATE)の神経推定器をコルモゴロフ-アルノルドネットワーク(KAN)に変換するフレームワークである。
プルーニングと記号の単純化を取り入れることで、コーサルカンは予測精度を保ちながら解釈可能な閉形式式を得る。
論文 参考訳(メタデータ) (2025-09-26T15:16:06Z) - Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。
Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。
これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
論文 参考訳(メタデータ) (2025-09-20T17:21:58Z) - Semi-supervised Clustering Through Representation Learning of Large-scale EHR Data [5.591260685112265]
SCOREは、患者埋め込みを通じて多領域の疾患プロファイルをキャプチャする半教師付き表現学習フレームワークである。
大規模データの計算課題に対処するため、ハイブリッド期待最大化(EM)とガウス変分近似(GVA)アルゴリズムを導入している。
分析の結果,ラベル付きデータの導入により精度が向上し,ラベル不足に対する感度が低下することがわかった。
論文 参考訳(メタデータ) (2025-05-27T05:20:17Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳(メタデータ) (2024-07-10T19:17:23Z) - L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。
人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。
我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
論文 参考訳(メタデータ) (2024-06-07T12:01:37Z) - Improving Clinical Decision Support through Interpretable Machine Learning and Error Handling in Electronic Health Records [6.594072648536156]
Trust-MAPSは、臨床領域の知識を高次元の混合整数プログラミングモデルに変換する。
信頼スコアは、臨床決定支援タスクの予測性能を高めるだけでなく、MLモデルに解釈可能性を与える臨床的に有意義な特徴として出現する。
論文 参考訳(メタデータ) (2023-08-21T15:14:49Z)
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。