Quantum Bayesian Neural Network for Uncertainty-Aware ECG Anomaly Detection

技術要約：不確実性を考慮したECG異常検知のための量子ベイズニューラルネットワーク

問題提起
心電図（ECG）信号における自動異常検知は、大幅な時間的、形態的、および患者間の変動性により、依然として困難な課題となっている。量子機械学習（QML）は、生物医学信号から複雑な表現を学習するための枠組みを提供するが、その有効性はデータエンコーディング戦略、変分回路構成、および物理的な量子ノイズ下での信頼性に依存する。さらに、既存の量子アプローチの多くは、予測の不確実性を定量化するメカニズムを欠いており、これは堅牢な医療的意思決定において極めて重要である。現在の文献は、主に量子ECG分類、量子ベイズ学習、および変分回路設計を個別に扱っており、これらを統合して物理的な実行制約下での時系列異常検知を実現する統一的なフレームワークには空白が存在する。

手法
本研究では、MIT-BIH Arrhythmia Databaseを用いて評価された、不確実性を考慮した量子ベイズニューラルネットワーク（QBNN）パイプラインを提案する。手法は以下の4つの明確な段階で進行する：

1. データ前処理および特徴量エンジニアリング：

   • リーク防止パイプライン： 情報漏洩を防ぐため、データ依存の前処理を行う前に、データセットを訓練セットと検証セットに分割する。
   • マルチウィンドウ解析： 形態の類似性、相互情報量、信号エントロピー、SNR、およびシーケンスの安定性に基づき、9つの候補から最適な3つのウィンドウ長を選択する適応的戦略を採用する。特徴量は、時間、周波数、ウェーブレット、および信号品質のドメインから抽出される。
   • 依存関係を考慮した特徴量： 線形、単調、非線形、および時間的依存関係を捉える特徴量（ピアソン/スピアマン相関、相互情報量、ラグ相互作用、およびグラフベースの関係）によって表現を拡張する。
   • 特徴量選択： 低分散フィルタリング、相関フィルタリング、およびランキングを用いて、979個の設計された特徴量を120個（時間的60、依存関係22、周波数20、信号品質11、リズム5、その他2）のランク付けされたプールへと削減する。統計量は訓練から導出されたものを用いて、堅牢な標準化を適用する。

2. 量子回路アーキテクチャ：

   • エンコーディング戦略： 2つのエンコーディングスキームを評価する：角度エンコーディング（1つの特徴量を1つの量子ビットへ回転によるエンコード）および高密度角度エンコーディング（2つの特徴量をペアの $R_Y$ と $R_Z$ 回転によるエンコード）。
   • 構成： 量子ビット数（4および6）、変分レイヤー（2および4）、およびデータ再アップローディング（レイヤー全体で入力特徴量を繰り返し導入すること）の有無に関して実験を行う。
   • 読み出し： 両方のアーキテクチャは、$Z + ZZ$ 可観測量を利用して、単一量子ビットおよびペアの相関を捉える。

3. ベイズ推論の統合：

   • 決定論的な点推定の代わりに、学習可能な量子パラメータ $\theta$ にガウス事前分布を割り当てる。
   • 分離されたガウス変分分布が事後分布を近似し、平均は訓練中に最適化され、標準偏差は安定性のために固定される。
   • 予測は、事後サンプル（$S=4$）を周辺化することで生成され、事後予測異常確率が得られる。
   • 学習は、ウォームアップ・スケジュールを利用したバイナリ・クロスエントロピー損失とKLダイバージェンス正則化を組み合わせる。

4. ハードウェア評価：

   • コンパクトなDense-Angle Q4–L2モデルを、Qiskit Runtimeを用いてIBM Marrakesh量子プロセッサ上にデプロイする。
   • 実験では、理想的な状態ベクトルシミュレーションと物理的実行（回路あたり4,096ショット）を比較し、予測の一貫性とノイズ耐性を評価する。

主な貢献

• 体系的なアーキテクチャ評価： 本研究は、エンコーディング密度、量子ビット幅、変分深さ、およびデータ再アップローディングの相互作用を評価し、性能が複雑さそのものではなく、アーキテクチャ依存であることを実証している。
• 不確実性を考慮したQBNN： マルチウィンドウおよび依存関係を考慮したECG表現を量子ベイズ変分学習と統合し、事後予測推論および予測レベルの不確実性定量化を可能にする。
• 古典・量子の整合性： 入力のスケーリング、パラメータ化、および最適化設定がQBNNの性能に与える共同の影響を調査する。
• ハードウェアを意識した検証： モデルを物理的な量子ハードウェア上で検証し、状態ベクトルとの一貫性への拡張を行い、エラー特定のために不確実性指標を用いる。

結果

• シミュレーション性能： 16の構成の中で、Dense-Angleエンコーディング、6量子ビット、4レイヤー、およびデータ再アップローディングが最も強力な確率的性能を達成した：
  • AUROC: 0.91
  • AUPRC: 0.90
  • 再現率（Recall）: 0.88
  • Brier Score: 0.13
  • 特筆すべきは、最も高い閾値ベースの分類精度（Angle Q6-L2、再アップローディングなし、精度0.86）を示した構成が、必ずしも最高の確率的識別能を提供しなかったことであり、これは分類性能と確率的性能の相違を浮き彫りにしている。
• ハードウェア実行： IBM MarrakeshにデプロイされたコンパクトなDense-Angle Q4–L2モデルは、以下の結果を示した：
  • 正解率（Accuracy）: 0.630、均衡正解率（Balanced Accuracy）: 0.666。
  • AUROC: 0.831、AUPRC: 0.733。
  • 状態ベクトルシミュレーションとの高い確率レベルの一致（ピアソン相関係数 $r=0.9933$、予測一致率94.8%）。
  • パフォーマンスの低下は主に偽陽性の増加によって引き起こされたが、異常への感度（再現率）は高いまま維持された（0.959）。
• 不確実性の有用性： ベイズ不確実性指標（予測分散、エントロピー）は、信頼性の低い予測を効果的に特定した。
  • ハードウェアによる誤った予測は、正しい予測よりも有意に高い不確実性を示した。
  • 選択的推論： 最も不確実なサンプルを除外して30%のカバレッジを保持することで、ハードウェアの正解率は0.630から0.867に向上した。
  • 不確実性指標は、ハードウェア起因のエラーを検出するために約0.76のAUROCを達成した。

意義および主張
本論文は、ECG解析における不確実性を考慮した量子学習の実現可能性を示すことを主張している。本研究は以下を確立している：

1. アーキテクチャの相乗効果： QBNNの性能は、回路の複雑さ単独ではなく、エンコーディング戦略、回路容量、およびデータ再アップローディングの相互作用によって支配される。Dense-Angleエンコーディングはコンパクトな表現を提供し、データ再アップローディングの恩恵は特定のアーキテクチャ（例：より深いDense-Angleモデル）に特有である。
2. 確率的 vs 決定論的： 本研究は、最高の分類精度をもたらす構成が、必ずしも最強の確率的較正（キャリブレーション）を提供するわけではないことを強調している。
3. ハードウェアの生存能力： 物理的なノイズにもかかわらず、学習された異常検知挙動は持続し、ベイズ不確ニティはハードウェアに敏感な予測を特定し、選択的推論を可能にするための実用的な信号を提供する。
4. 限界： 著者らは、実験規模がMIT-BIHデータベースのバランスの取れたサブセットと単一の量子バックエンドに限定されていることを謙虚に述べている。クロスデータセットの汎用性とハードウェアの堅牢性に関する結論は、これらの制約によって制限されている。今後の課題として、QBNNをより大きなデータセットや回路へとスケールアップすること、およびハードウェアエラー緩和策を調査することが提案されている。