El aprendizaje automático cuantitativo mejora la detección de la enfermedad de Alzheimer
En un artículo publicado recientemente en la revista Informes científicosLos investigadores han propuesto un enfoque basado en el aprendizaje automático cuantitativo QML y el aprendizaje conjunto profundo para detectar la enfermedad de Alzheimer.
fondo
La enfermedad de Alzheimer es uno de los trastornos neurodegenerativos crónicos que más amenaza la salud pública mundial. Este trastorno cerebral degenerativo reduce capacidades mentales importantes como la memoria. Los pacientes con enfermedad de Alzheimer enfrentan diversos desafíos, incluidos problemas de movimiento, pérdida de memoria, defectos de conducta y deterioro cognitivo.
Por lo tanto, el diagnóstico temprano de la enfermedad de Alzheimer es crucial para que la intervención y los medicamentos oportunos mejoren la calidad de vida de las personas afectadas. La resonancia magnética estructural (MRI), una modalidad de diagnóstico asintomática, se reconoce como un biomarcador de imágenes común en la clasificación y estadificación de la enfermedad de Alzheimer como no demencia, demencia muy leve, demencia moderada y demencia leve.
Las técnicas de aprendizaje profundo (DL) han mostrado mejoras significativas en las tareas de detección, clasificación y detección de enfermedades. El aprendizaje conjunto puede mejorar el rendimiento de estos modelos DL. Además, QML, que representa la intersección de la computación cuántica y el aprendizaje automático clásico, ha atraído una atención significativa de la comunidad científica debido a su prometedora velocidad, escalabilidad, poder de representación y flexibilidad.
La computación cuántica proporciona un modelo más eficiente para diversas tareas de clasificación de enfermedades en comparación con los métodos clásicos de aprendizaje automático, y varios estudios demuestran las ventajas de los algoritmos QML sobre los algoritmos tradicionales de aprendizaje automático para muchas aplicaciones, como la atención médica. Sin embargo, no se ha aplicado todo el potencial de la computación cuántica a las tareas de clasificación de la enfermedad de Alzheimer.
el estudio
En este trabajo, los investigadores propusieron un modelo de DL colectivo basado en clasificadores QML para la clasificación de la enfermedad de Alzheimer. El modelo propuesto puede detectar etapas de la enfermedad de Alzheimer a partir de resonancia magnética cerebral mediante el uso de un conjunto de versiones personalizadas de modelos DL VGG16-ResNet50 como extracción de características y luego aplicando algoritmos QML para la clasificación.
El objetivo del estudio fue desarrollar un modelo eficiente integrando diferentes fuentes de datos para generar una mejor predicción de resultados para abordar el desafío de clasificar la enfermedad de Alzheimer. Obtenido de Kaggle, la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer II (ADNI2) y la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer I (ADNI1) se combinaron para clasificar la enfermedad de Alzheimer.
Las principales características de la enfermedad de Alzheimer extraídas de las imágenes combinadas/datos de imágenes de resonancia magnética ADNI se combinaron inicialmente utilizando la versión personalizada del algoritmo DL combinado/modelos VGG16 y ResNet50 y se introdujeron en un clasificador QML.
El clasificador QML/Quantum Support Vector Machine (QSVM) luego los clasificó como muy leve, leve y moderadamente demente, levemente demente y no demente. De ahí que el enfoque propuesto pueda tomar decisiones de una manera más diversa, integral y confiable.
Los investigadores evaluaron el rendimiento del modelo propuesto utilizando múltiples métricas, incluida la recuperación, la precisión, la puntuación F1, el área bajo la curva y la precisión, e investigaron el efecto de QML para mejorar eficazmente la eficiencia computacional del modelo. También investigaron la eficacia del modelo frente a otras técnicas, incluidas las redes neuronales convolucionales (CNN), Inception-ResNet-V2, VGG16, AlexNet, Random Forest y clasificadores Adaptive Boosting.
Además, los investigadores evaluaron el rendimiento de los métodos de aprendizaje conjunto utilizando clasificadores clásicos QSVM y SVM. Utilizaron una máquina/simulador cuántico de cinco qubits y un modelo QSVM de la biblioteca Qiskit. El modelo QSVM se mejora agregando hiperparámetros.
La importancia de este trabajo.
Los resultados de los modelos DL individuales mostraron que ResNet tuvo un desempeño deficiente según la puntuación y la recuperación de F1, mientras que VGGNet logró excelentes resultados combinados con modelos de conjunto. El área bajo la curva fue mejor en comparación con las otras métricas: VGGNet, ResNet y el modelo de conjunto lograron puntuaciones de 97,59, 93,70 y 98,84, respectivamente.
Los investigadores examinaron los efectos de los modelos DL basados en SVM en un conjunto de datos sobre la enfermedad de Alzheimer. Los resultados mostraron que el modelo VGGNet+SVM obtuvo una puntuación F1 del 85%, una recuperación del 85,30%, una precisión del 85,24%, una puntuación AUC del 89,18% y una precisión del 85,00%, mientras que el modelo ResNet+SVM logró una precisión del 82,24%. Puntuación F1 de 84,73 y recuperación de 85,43. La combinación propuesta (VGGNet+ResNet) con el modelo SVM clásico logró la mayor precisión del 86,78% y un área bajo la curva del 90,53%.
Los resultados de los modelos DL con QSVM también mostraron que el modelo de conjunto propuesto + QSVM tuvo un mejor rendimiento en comparación con VGGNet + QSVM y ResNet + QSVM, donde el modelo de conjunto + QSVM logró la mayor precisión de 99,89, precisión de 99,25 y área bajo el puntuación de curva de 99,99 en el conjunto de datos ADNI Compact.
Estos resultados demuestran que el modelo de conjunto propuesto con SVM y QSVM supera al DL con SVM clásico y al DL con QSVM. Además, el modelo propuesto también superó a otras técnicas para la detección de la enfermedad de Alzheimer al lograr la mayor precisión de 99,89 en el conjunto de datos combinado ADNI1+ADNI2, superando la mejor precisión anterior de 99,68 lograda por CNN en el conjunto de datos OASIS.
En resumen, el enfoque propuesto proporciona una solución eficaz para apoyar la atención primaria de la enfermedad de Alzheimer, específicamente cuando el examen de resonancia magnética no es claro, lo que dificulta que los expertos sugieran correctamente la enfermedad.
Referencia de la revista
Genber-Pillay, A., Whaley, YM, Haley, MB (2024). Enfoques de aprendizaje conjunto profundo y aprendizaje automático cuantitativo para la detección de la enfermedad de Alzheimer. Informes científicos14(1), 1-10. https://doi.org/10.1038/s41598-024-61452-1, https://www.nature.com/articles/s41598-024-61452-1
“Defensor de la Web. Geek de la comida galardonado. Incapaz de escribir con guantes de boxeo puestos. Apasionado jugador”.