Développer des modèles d’apprentissage automatique fiables pour les soins de santé peut s’avérer difficile lorsque seuls de petits ensembles de données sont disponibles. Ce défi motive la recherche pour savoir si les approches informatiques quantiques peuvent apprendre des modèles utiles à partir de données limitées sur les symptômes et les facteurs de risque.
Une équipe de recherche, dirigée par Arslan Munir, Ph.D., professeur au département de génie électrique et d’informatique de la Florida Atlantic University au sein du Collège d’ingénierie et d’informatique, et directeur du laboratoire de systèmes intelligents, d’architecture informatique, d’analyse et de sécurité, a évalué les approches d’apprentissage automatique quantique en simulation et sur le matériel quantique à l’aide de données sur les symptômes et les facteurs de risque. pour la prédiction du cancer du poumon avec des données de formation limitées.
L’étude, publiée dans Découvrez la science quantiqueune revue Springer Nature, « Inférer le cancer du poumon avec des données d’apprentissage limitées grâce à des techniques quantiques basées sur des portes et basées sur l’annealing », fournit un cadre commun pour évaluer différentes méthodes d’apprentissage automatique quantique dans les mêmes conditions de préparation et de test des données.
Notre objectif était d’examiner les performances de différentes approches d’apprentissage quantique lorsque la quantité de données d’entraînement est délibérément limitée. En évaluant plusieurs méthodes dans un cadre expérimental commun, nous pouvons mieux comprendre leurs capacités et leurs limites et identifier les orientations qui justifient des recherches plus approfondies. »
Arslan Munir, Ph.D., professeur, département de génie électrique et d’informatique de la Florida Atlantic University
Les chercheurs ont commencé avec un ensemble de données accessible au public contenant 309 enregistrements contenant des informations telles que les antécédents de tabagisme, la toux, la respiration sifflante, la fatigue et les douleurs thoraciques, ainsi qu’une étiquette sur le cancer du poumon. Pour équilibrer les catégories de cancer et de non-cancer, ils ont utilisé une technique statistique qui génère des exemples synthétiques, produisant un ensemble de données expérimentales de 540 échantillons. Ces échantillons supplémentaires ne représentaient pas les patients nouvellement recrutés.
Une méthode de sélection de caractéristiques basée sur l’optimisation a réduit les variables d’entrée à 10. Les chercheurs ont ensuite évalué trois méthodes de classification : les machines vectorielles de support quantiques, les k-voisins les plus proches quantiques et l’amplification quantique. Au cours de chacun des cinq cycles d’évaluation, les modèles ont été formés sur 108 échantillons et testés sur les 432 restants.
L’étude a examiné deux approches majeures de l’informatique quantique : le recuit quantique et l’informatique basée sur les portes. L’équipe a évalué les implémentations de Qiskit, Cirq, PennyLane, OpenJij et D-Wave, permettant des comparaisons entre plusieurs cadres logiciels et approches informatiques.
Les ordinateurs quantiques de recuit de D-Wave utilisés dans un cadre de machine à vecteurs de support quantique ont atteint la précision la plus élevée rapportée dans l’évaluation principale, atteignant 94,31 % en simulation et 91,90 % sur le matériel quantique. Les tests sur le matériel ont permis aux chercheurs d’examiner les performances de la méthode au-delà d’un environnement simulé.
« Les recherches de FAU mettent en évidence la manière dont les ordinateurs quantiques recuits de D-Wave peuvent être utilisés pour faire progresser l’IA et l’apprentissage automatique », a déclaré Catherine Potts, Ph.D., responsable de la gestion des comptes techniques chez D-Wave Quantum Inc. « En appliquant notre technologie à un cas d’utilisation difficile dans le domaine des soins de santé, les chercheurs démontrent son potentiel à extraire des informations précieuses dans des environnements limités en données, ouvrant ainsi de nouvelles possibilités pour l’IA quantique dans les soins de santé et d’autres secteurs à forte intensité de données.
La contribution de l’étude va au-delà de son score de précision le plus élevé. En appliquant un cadre d’évaluation commun, les chercheurs ont examiné comment le choix de la méthode de classification, les variables sélectionnées et la plate-forme informatique affectaient les performances. Les résultats offrent une base pour des recherches plus approfondies sur l’apprentissage automatique quantique pour les données structurées sur les soins de santé.
« Cette étude reflète les efforts de Florida Atlantic pour relier la recherche sur l’informatique quantique à des questions d’application significatives », a déclaré Stella Batalama, Ph.D., doyenne du Collège d’ingénierie et d’informatique de la FAU. « Des comparaisons et des tests minutieux sur le matériel quantique aident à rassembler les preuves nécessaires pour évaluer où ces technologies peuvent être utiles et quels défis subsistent. »
Les chercheurs soulignent que les résultats sont préliminaires. L’ensemble de données contient des symptômes et des facteurs de risque plutôt que des images médicales, des résultats pathologiques, des résultats de laboratoire ou des informations sur le stade du cancer. L’exactitude rapportée reflète l’ensemble de données augmenté de l’étude et la procédure d’évaluation.
Les recherches futures examineront des ensembles de données plus vastes provenant de plusieurs institutions et exploreront la combinaison des informations sur les symptômes avec des données d’imagerie ou génomiques. L’équipe prévoit également d’étudier des méthodes facilitant l’interprétation des prédictions des modèles.
« Ces résultats fournissent un point de départ pour une évaluation plus approfondie », a déclaré Munir. « La prochaine étape consiste à déterminer dans quelle mesure ces approches se généralisent à des ensembles de données cliniques indépendants et si elles peuvent offrir un soutien utile dans le cadre de flux de travail de soins de santé soigneusement validés. »
Les auteurs remercient FAU et D-Wave pour avoir fourni l’accès au matériel informatique quantique de D-Wave.
La FAU continue de renforcer sa position de première université quantique de Floride, en réalisant des investissements stratégiques dans la recherche, l’éducation et les infrastructures pour stimuler l’innovation dans l’informatique de nouvelle génération. Par l’intermédiaire du Centre FAU pour les technologies quantiques, l’université rassemble des professeurs, des étudiants et des partenaires industriels pour faire progresser la recherche quantique et préparer la main-d’œuvre à l’économie quantique émergente. L’investissement de FAU comprend l’installation d’un ordinateur quantique de recuit D-Wave Advantage2 sur son campus de Boca Raton, donnant aux chercheurs et aux étudiants l’accès à une technologie quantique de pointe et contribuant à positionner la Floride à l’avant-garde de ce domaine en évolution rapide.
