医療画像における責任ある量子機械学習：敏感なサブグループ間の公平性監査

要旨：量子機械学習（QML）は医療分類への応用がますます検討されているが、サブグループを考慮した公平性基準下での挙動については依然として十分に研究されていない。本稿では、QMLが本質的に公平であるとは限らないという前提のもと、医療画像に対する古典的および量子分類器の実証的な公平性評価を提示する。評価対象は二つのシナリオであり、DDIデータセット上の皮膚病変（敏感属性：フィッツパトリック皮膚タイプ）と、CheXpert由来データセット上の胸部X線画像（敏感属性：年齢層）である。ResNet-18による埋め込みを用い、SVM、MLP、QSVM、QCNNをそれぞれベースラインおよび三つの緩和手法—微分可能な等化オッズ（EO）正則化、勾配反転学習（GRL）、および両者を組み合わせた手法—の下で訓練した。基礎モデル（PanDerm、EVA-X）を外部参照として用いた。量子分類器は、競争力のある総合性能を達成しつつも、依然としてサブグループ間の格差を示すことがある。なお、サブグループ間のAUC差が縮小する場合でも、それは最良グループの性能を低下させることによって生じる可能性があり、最悪グループの改善にはつながっていないため、各緩和手法はそれぞれのベースラインに対する非劣性マージンを事前に設定して評価した。この基準に基づくと、特にDDIデータセットにおいてGRLとEOを併用したQCNNなど、格差が最も小さいいくつかの構成は、全体的な識別能力の低下から臨床的に受け入れられないことが明らかになった。DDIデータセットでは、QSVMにGRLとEOを組み合わせた手法が最も優れており、性能と公平性のトレードオフにおいてPanDermに近づいた一方、CheXpertデータセットではQCNNにGRLを適用したものが最高の総合性能を示したものの格差が拡大し、EVA-Xの方が依然として優位性を維持した。公平性への影響はモデルやデータセットに依存するため、QMLには実証的なサブグループ意識に基づく評価が不可欠である。なお、すべての量子モデルは古典的シミュレーション上で実行されており、量子優位性は主張していない。

分野：| 機械学習（cs.LG）；人工知能（cs.AI）；コンピュータと社会（cs.CY） 引用形式：| arXiv:2610.37819 [cs.LG] | （または

arXiv:2610.37819v1 [cs.LG] このバージョンの場合） | https://doi.org/10.48550/arXiv.2610.37819

詳しく学ぶためにフォーカス

DataCite経由のarXiv発行DOI（登録待ち）

投稿履歴

論文へのアクセス：

PDFを表示

HTML（実験的）

TeXソース

追加機能

音声要約

現在の閲覧コンテキスト：

参考文献・引用

Google Scholar

Semantic Scholar

ブックマーク

機関

arXivLabsは、共同作業者が当社のウェブサイト上で新しいarXiv機能を直接開発・共有できるフレームワークです。

arXivLabsを利用する個人および組織は、オープン性、コミュニティ、卓越性、そしてユーザーデータのプライバシーという当社の価値観を積極的に受け入れ、尊重しています。arXivはこれらの価値観に固くコミットしており、それらを遵守するパートナーのみと協力しています。

arXivのコミュニティに価値をもたらすプロジェクトのアイデアをお持ちですか？arXivLabsについて詳しくご覧ください。