Comparaison de l'apprentissage automatique classique et de l'apprentissage profond avec le calcul quantique pour la détection de la maladie d'Alzheimer

La détection précoce de la maladie d'Alzheimer (AD) peut permettre des traitements susceptibles de ralentir sa progression, améliorant ainsi la qualité de vie des patients. La détection précoce de l'AD est difficile car ses symptômes initiaux peuvent être confondus avec les signes habituels du vieillissement. Cette étude fournit une évaluation complète des modèles d'apprentissage automatique classiques et de leurs versions quantiques (QML) dans le contexte de la détection précoce de l'AD. La recherche se concentre sur des modèles tels que l'Adaboost (AdB), les réseaux de neurones artificiels (ANN), les machines à vecteurs de support (SVM) et le classificateur bayésien naïf (NBC), en comparant leurs versions classiques et améliorées par la technologie quantique pour déterminer l'impact des principes de l'informatique quantique sur la performance des modèles. Les résultats révèlent que les modèles améliorés par la technologie quantique surpassent généralement leurs équivalents classiques, démontrant des améliorations significatives en termes de précision, de sensibilité et de F1-score. Ces résultats soulignent le potentiel de l'informatique quantique à améliorer considérablement l'efficacité des algorithmes de ML dans le diagnostic médical. Une analyse comparative détaillée entre les réseaux neuronaux convolutionnels classiques (CNN) et les réseaux neuronaux convolutionnels quantiques (QCNN) renforce encore les avantages des améliorations quantiques. Le modèle QCNN a atteint une précision plus élevée de 88,42 % par rapport au modèle CNN classique de 85,15 %, ainsi qu'une précision supérieure de 89,17 % contre 86,73 %, une sensibilité de 86,35 % contre 83,22 % et un F1-score de 87,74 % contre 84,94 %. Ces métriques indiquent que le QCNN ne se contente pas de classifier les instances plus précisément, mais réduit également les faux positifs et identifie plus efficacement les vrais positifs. La capacité du QCNN à tirer parti de la superposition et de l'intrication quantiques lui permet de traiter et de représenter des motifs de données complexes plus efficacement, conduisant à une meilleure performance globale. L'étude démontre les avantages considérables des modèles de ML améliorés par la technologie quantique par rapport à leurs homologues classiques. Les métriques de performance améliorées des modèles de ML quantique soulignent le potentiel transformateur de l'informatique quantique dans la détection précoce de la maladie d'Alzheimer. Bien que nécessitant plus d'époques pour l'entraînement, les gains de performance substantiels observés dans les modèles améliorés par la technologie quantique justifient l'effort computationnel supplémentaire. Les recherches futures devraient se concentrer sur l'optimisation des algorithmes quantiques et l'exploration de modèles hybrides pour exploiter davantage la puissance de l'informatique quantique dans le diagnostic médical, conduisant finalement à des modèles de détection précoce plus efficaces.

Abstract

Early detection of Alzheimer’s Disease (AD) can help with treatments that may slow down its progression, improving the quality of life of patients. Early AD detection is challenging as its initial symptoms can be mistaken for the usual signs of aging. This study provides a comprehensive evaluation of classical Machine Learning (ML) models and their Quantum-ML (QML) variants in the context of the early detection of AD. The research focuses on models such as Adaptive Boosting (AdB), Artificial Neural Network (ANN), Support Vector Machine (SVM), and Naive Bayes Classifier (NB), comparing their classical and quantum-enhanced versions to determine the impact of quantum computing principles on model performance. The findings reveal that quantum-enhanced models generally outperform their classical equivalents, demonstrating significant improvements in accuracy, precision, recall, and F1-score. These results underscore the potential of quantum computing to substantially enhance the efficacy of ML algorithms in medical diagnostics. A detailed comparative analysis between the Classical Convolutional Neural Networks (CNNs) and Quantum CNNs (QCNNs) further reinforces the advantages of quantum enhancements. The Quantum Convolutional Neural Network model achieved a higher accuracy of 88.42% compared to the classical Convolutional Neural Network model's 85.15%, along with superior precision of 89.17% versus 86.73%, the recall of 86.35 %versus 83.22%, and the F1-score of 87.74% versus 84.9%. These metrics indicate that the Quantum Convolutional Neural Network not only classifies instances more accurately, but also reduces the number of false positives and identifies true positives more effectively. The ability of Quantum Convolutional Neural Network to leverage quantum superposition and entanglement enables it to process and represent complex data patterns more efficiently, leading to better overall performance. The study demonstrates the considerable advantages of quantum-enhanced ML models over their classical counterparts. The improved performance metrics of quantum ML models highlight the transformative potential of quantum computing in early detection of Alzheimer's disease. Despite requiring more epochs for training, the substantial performance gains observed in quantum-enhanced models justify the additional computational effort. Future research should focus on optimizing quantum algorithms and exploring hybrid models to further harness the power of quantum computing in medical diagnostics, ultimately leading to more efficient and effective early detection models.