基于量子计算与划分随机森林方法的心脏病检测
量子物理
2024-04-30 v3 信息论
机器学习
math.IT
最优化与控制
摘要
心脏病发病率与死亡率不断上升，对公共卫生和全球经济产生负面影响。心脏病的早期检测可降低死亡与发病 incidence。近期研究利用量子计算方法以超过 5 个量子比特预测心脏病，但计算密集。尽管量子比特数较多，早期工作报道的心脏病预测精度较低，未考虑离群值效应，且需要更多计算时间与内存。为克服这些局限，我们提出混合随机森林量子神经网络（HQRF），使用少量量子比特（二至四个）并考虑数据集中离群值的影响。本研究使用 Cleveland 与 Statlog 两个开源数据集应用量子网络。所提算法已应用于两个开源数据集，并采用 10 折交叉验证与 70-30 训练/测试比两类测试策略。我们将所提方法性能与文献中早先提出的用于心脏病预测的混合量子神经网络（HQNN）算法比较。HQNN 与 HQRF 分别在 10 折交叉验证和 70/30 训练测试分割比中表现更优。结果表明 HQNN 需要大型训练集，而 HQRF 更适用于大、小训练集。根据实验结果，所提 HQRF 相较 HQNN 对离群数据不敏感。与早期工作相比，所提 HQRF 在使用 Cleveland 与 Statlog 数据集预测心脏病时，与 HQNN 一起分别取得了最高 96.43% 与 97.78% 的曲线下面积（AUC）。所提 HQRF 在早期检测心脏病方面高效，并将加速临床诊断。
引用
@article{arxiv.2208.08882,
title = {Heart Disease Detection using Quantum Computing and Partitioned Random Forest Methods},
author = {Hanif Heidari and Gerhard Hellstern and Murugappan Murugappan},
journal= {arXiv preprint arXiv:2208.08882},
year = {2024}
}