FAU 연구팀, 양자 머신러닝으로 심장질환 예측 정확도 90% 달성

연구 배경: 비선형 임상 데이터의 한계를 넘어

심혈관 질환은 매년 수백만 명의 사망을 유발하는 전 세계적 보건 과제로, 조기 정확 진단이 치료 결과에 결정적인 영향을 미친다. 기존 고전 기계학습 기법은 임상 데이터에 내재된 복잡한 비선형 패턴을 충분히 포착하는 데 한계를 보여 왔다. FAU 전기컴퓨터공학과 Arslan Munir 교수가 이끄는 ISCAAS 연구실은 이 문제를 양자 특성 표현과 양자 강화 분류기 조합으로 접근했다.

방법론: 5가지 특성 맵핑과 4가지 분류기의 체계적 비교

연구팀은 다섯 가지 양자 특성 맵핑(feature mapping) 기법과 네 가지 양자 분류기를 918명 환자의 임상 데이터에 적용해 체계적으로 성능을 비교했다. 평가 결과 앵글 인코딩(Angle Encoding)을 사용한 양자 서포트벡터머신(Quantum SVM)이 가장 우수한 성능을 보였다. 정확도 90.26%, 민감도(sensitivity) 92.16%, 특이도(specificity) 83.42%, AUC 0.93으로, 임상적으로 의미 있는 수준의 판별력을 기록했다. 특히 민감도가 92%를 상회한다는 점은 질환 미탐지(false negative)를 최소화하는 데 유리한 특성이다.

기술적 특징과 의미

이번 연구의 핵심 특징은 얕은 양자 회로(shallow quantum circuit)를 사용해 계산 복잡도를 제어하면서도 높은 예측 성능을 달성했다는 점이다. 양자 특성 표현은 고차원 힐베르트 공간에서 임상 데이터의 복잡한 변수 간 상관관계를 포착하는 데 고전 방식 대비 구조적 이점을 가질 수 있다. 다만 현 단계 양자 머신러닝 연구의 일반적 과제인 실제 양자 하드웨어에서의 잡음(noise)·오류율 문제가 임상 환경 적용 시 성능에 영향을 미칠 수 있어, 하드웨어 기반의 후속 검증이 향후 과제로 남는다.

FAU의 양자 연구 인프라와 교육 전략

FAU는 양자 컴퓨팅 인프라 확충과 교수진의 연구 역량 강화를 병행하는 기관 차원의 투자를 지속하고 있다. ISCAAS 연구실은 헬스케어 외에 사이버보안, 스마트 인프라, 자율주행 시스템, 과학 컴퓨팅 등 다양한 분야에 양자 기술 응용을 추진 중이다. 공과대학장 Stella Batalama는 이번 성과가 양자 컴퓨팅, AI, 헬스케어 교차 영역에서 대학이 지향하는 연구 전략의 구체적 결실이라고 평가했다. 연구팀은 이번 성과가 차세대 양자 기술 기반 임상 응용의 기반을 마련하는 데 기여한다고 밝혔다.