Quantum machine learning prediction model for retinal conditions: performance analysis
Notice bibliographique
Résumé
Quantum machine learning by superposition and entanglement, for disease categorization utilizing OCT images will be discussed in this paper. To the best of our knowledge, this is the first application of the quantum computing element in a neural network model for classifying ophthalmological disease. The model was built and tested with PennyLane (PennyLane.ai), an open-source software tool based on the concept of quantum differentiable programming. The model training circuit functioning was tested on an IBM 5 qubits system “ibmq_belem” and a 32 qubits simulator “ibmq. qasm_simulator”. A hybrid quantum and classical model with a 2 qubit QNode converted layer with operations such as Angle Embedding, BasicEntanglerLayers and measurements were the internal operations of the qlayer. Drusen, Choroidal neovascularization (CNV), and Diabetic macular edema (DME) OCT images formed the abnormal/disease class. The model was trained using 414 normal and 504 abnormal labelled OCT scans and the validation used 97 and 205 OCT scans. The resulting model had an accuracy of 0.95 in this preliminary 2-class classifier. This study aims to develop a 4-class classifier with 4 qubits and explore the potential of quantum computing for disease categorization. A preliminary performance analysis of quantum Machine Learning, the steps involved, and operational details will be discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».