استفاده از یادگیری ماشین کوانتومی برای بهبود دقت در تشخیص سرطان ریه

این مطالعه بر دو الگوریتم یادگیری ماشین کوانتومی تمرکز دارد: Pegasos QSVC و VQC، که روی یک مجموعه داده سرطان ریه از سایت Kaggle اعمال شده‌اند. این مجموعه داده شامل ۲۶ ویژگی مرتبط با سلامت بیش از ۱۰۰۰ بیمار است که به سه دسته ریسک کم، متوسط و بالا برای سرطان ریه برچسب‌گذاری شده‌اند.

برای ساده‌تر کردن فرایند دسته‌بندی، پژوهشگران برچسب‌های چندکلاسه را به یک مسئله دودویی تبدیل کردند و موارد «ریسک بالا» را از «غیر ریسک بالا» تفکیک کردند. الگوریتم Pegasos QSVC که مبتنی بر چارچوب ماشین بردار پشتیبان است، با استفاده از بهینه‌سازی کوانتومی برای دسته‌بندی ریسک سرطان ریه به کار گرفته شد.

این الگوریتم در دقت عملکرد بهتر از VQC عمل کرد و به دقت ۸۵ درصد در طبقه‌بندی رسید. تیم تحقیق موفقیت مدل را به توانایی آن در مدیریت داده‌های با ابعاد بالا و مقاومت در برابر بیش‌برازش به کمک پارامتر تنظیم‌کننده (regularization) نسبت می‌دهد. همانطور که در مطالعه ذکر شده، این موضوع نشان‌دهنده پتانسیل بالای یادگیری ماشین کوانتومی در حوزه سلامت، به ویژه در تشخیص زودهنگام سرطان است که دقت در آن اهمیت زیادی دارد.

هر دو مدل با معیارهایی مانند دقت (accuracy)، یادآوری (recall)، دقت مثبت (precision) و نمره F1 ارزیابی شدند. در حالی که VQC توانایی‌هایی نشان داد، Pegasos QSVC پیچیدگی داده‌ها را بهتر مدیریت کرد و از بهینه‌سازی نزول گرادیان تصادفی و امکان تنظیم پارامترهای متنوع بهره برد. تنظیم دقیق‌تر پارامتر تنظیم‌کننده باعث بهبود دقت و مقاومت QSVC در برابر نویز شد، در حالی که وابستگی VQC به مدارهای کوانتومی مقیاس‌پذیری و عملکرد آن را محدود کرد.