乳がん分類のための量子機械学習アーキテクチャの比較評価:臨床およびゲノムデータを使用
A comparative evaluation of quantum machine learning architectures for breast cancer classification using clinical and genomic data
本研究では、乳がんの予後予測と個別化医療における臨床およびゲノムデータの重要性が高まる中、量子機械学習(QML)アーキテクチャの比較評価を行った。METABRIC乳がん患者2,509人のデータセットを使用し、主成分分析(PCA)により特徴量を12、4、2次元に削減した。量子ニューラルネットワーク(QNN)、量子K近傍法(QKNN)、量子サポートベクターマシン(QSVM)の3つのQMLモデルと、7つの古典的機械学習モデルを比較した。実験の結果、12次元削減データを用いたQKNNが最も高い性能を示し、精度75.11% ± 3.76%、F1スコア0.7088 ± 0.0433、ROC-AUC 0.8148 ± 0.0394を達成した。しかし、全てのQMLモデルは、63次元の特徴量を用いた古典的モデル(XGBoost、ランダムフォレスト、ロジスティック回帰などが約94%の精度を達成)と比較して性能が劣った。PCAによる情報損失が予測性能に影響を与えることも示された。本研究は、現在のQMLアーキテクチャのベンチマークであり、量子優位性や臨床応用を示すものではないが、次元削減、検証アプローチ、シミュレータの制約の影響を評価し、実用化に向けた課題を概説している。
本論文は量子機械学習(QML)の乳がん分類における性能を古典MLと比較したものであり、現時点では量子優位性を示せていない。研究段階の学術比較に過ぎず、実用化・商用化に至っていないため、短期的な投資インパクトは低い。ただし、量子コンピューティングの医療応用に向けたベンチマークとして継続的なモニタリングに値する。