增强不平衡医疗数据的机器学习：基于量子启发方法的合成过采样（QI-SMOTE）
机器学习
2025-09-04 v1 人工智能
摘要
类别不平衡是机器学习（ML）中的一个关键挑战，尤其是在医疗领域，欠代表征的少数类会导致模型偏差并降低预测性能。本研究引入量子启发式SMOTE（QI-SMOTE），这是一种新型数据增强技术，凭借量子演化和分层纠缠等量子原理，提升了包括随机森林（RF）、支持向量机（SVM）、逻辑回归（LR）、k近邻（KNN）、梯度提升（GB）和神经网络在内的多种ML分类器性能。不同于传统过采样方法，QI-SMOTE生成的合成实例能够保留复杂的数据结构，提高模型的泛化能力和分类准确率。我们在MIMIC-III和MIMIC-IV数据集上对QI-SMOTE进行验证，选取死亡率检测作为基准任务，由于其临床意义和固有的类别不平衡。我们将方法与传统过采样技术（包括Borderline-SMOTE、ADASYN、SMOTE-ENN、SMOTE-TOMEK和SVM-SMOTE）进行比较，使用准确率、F1分数、G-Mean和AUC-ROC等关键性能指标。结果表明，QI-SMOTE显著提升了集成方法（RF、GB、ADA）、核方法（SVM）和深度学习方法的有效性，通过生成更具信息性和更平衡的训练数据。通过将量子启发式变换集成到ML流程中，QI-SMOTE不仅缓解了类别不平衡问题，还增强了医疗诊断和决策中预测模型的鲁棒性和可靠性。本研究凸显了量子启发式重采样技术在推动机器学习前沿方法方面的潜力。
引用
@article{arxiv.2509.02863,
title = {Enhancing Machine Learning for Imbalanced Medical Data: A Quantum-Inspired Approach to Synthetic Oversampling (QI-SMOTE)},
author = {Vikas Kashtriya and Pardeep Singh},
journal= {arXiv preprint arXiv:2509.02863},
year = {2025}
}