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.