KACQ-DCNN: red neuronal de doble canal clásico-cuántica interpretable de Kolmogorov-Arnold para la detección de...

Área de la Ciencia:

• Diagnóstico cardiovascular
• Inteligencia artificial
• La computación cuántica

Sus antecedentes:

• La insuficiencia cardíaca es un problema de salud mundial que causa millones de muertes al año.
• Los métodos de diagnóstico actuales carecen de capacidades de detección temprana y de una planificación eficiente de la intervención.
• Los modelos clásicos de aprendizaje automático luchan con datos complejos y carecen de interpretabilidad.

Objetivo del estudio:

• Desarrollar una nueva red neuronal híbrida clásica-cuántica para mejorar el diagnóstico cardiovascular.
• Abordar las limitaciones del aprendizaje automático clásico en el manejo de datos complejos y de alta dimensión.
• Aprovechar la computación cuántica para una mayor precisión e interpretabilidad en la detección de enfermedades cardíacas.

Principales métodos:

• Introducción de la red neuronal de doble canal clásico y cuántico de Kolmogorov-Arnold (KACQ-DCNN).
• Integración de los componentes de la red Kolmogorov-Arnold (KAN) con los circuitos cuánticos para las funciones de activación que se pueden aprender.
• Evaluación utilizando un modelo KACQ-DCNN de 4 qubits y 1 capa en comparación con 37 modelos de referencia.

Principales resultados:

• El KACQ-DCNN logró una precisión del 92,03% y un puntaje de ROC-AUC del 94,77%, superando a los modelos de referencia.
• Los estudios de ablación mostraron un efecto sinérgico, mejorando la precisión en aproximadamente un 2% en comparación con las variantes de Multilayer Perceptron (MLP).
• Se ha demostrado una mejora en la precisión de la detección de enfermedades cardíacas y en los datos interpretables a través de LIME y SHAP.

Conclusiones:

• El KACQ-DCNN ofrece un avance significativo en el diagnóstico cardiovascular.
• El modelo proporciona información interpretable y una cuantificación sólida de la incertidumbre.
• Este enfoque híbrido allana el camino para una toma de decisiones clínicas más fiable y transparente en cardiología.