基于多模态数据构建的量子启发式 Parkinson 病预测器
定量方法
2024-12-02 v1 机器学习
摘要
帕金森病作为全球增长最快的神经退行性疾病之一，过去两年间的病例数已增长了 50%。随着语音、记忆和运动症状随时间的恶化，早期诊断对于维持患者生活质量至关重要。虽然基于机器学习的检测方法显示出前景，但仅依赖单一特征进行分类可能因患者间症状差异而容易出错。为解决这一局限，我们利用包括 15 万个样本的 mPower 数据库，涵盖四个关键生物标志物：语音、步态、敲击和人口统计数据。从这些测量中提取 64 个特征，并训练基线随机森林模型筛选出超过 80 百分位的特征。为进行分类，我们设计了一个可仿真的量子支持向量机 (qSVM)，通过利用量子机器学习的最新进展来检测高维模式。我们采用一种新颖的可仿真架构，可在常规硬件上运行而无需资源密集的量子计算机，使我们的模型在准确率达到 90%，AUC 达到 0.98，超越基准模型。通过利用基于多样化特征集构建的创新分类框架，我们的模型为全球帕金森病筛查提供了一条可及的路径。
引用
@article{arxiv.2411.18640,
title = {A quantum inspired predictor of Parkinsons disease built on a diverse, multimodal dataset},
author = {Diya Vatsavai and Anya Iyer and Ashwin A. Nair},
journal= {arXiv preprint arXiv:2411.18640},
year = {2024}
}
备注
20 pages, 3 figures, 1 table