Molina Cañizares, María Esperanza2023-07-252023-07-252023-07-20https://hdl.handle.net/10115/23810Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2022/2023. Directores/as: Junye Huang, Ángel Torrado CarvajalLa Computación Cuántica es una tecnología innovadora en auge que utiliza los principios de la mecánica cuántica para desarrollar un nuevo tipo de ordenador capaz de resolver problemas que incluso los ordenadores clásicos más avanzados nunca podrán resolver. Una de sus aplicaciones es el Aprendizaje Automático Cuántico o Quantum Machine Learning (QML), un campo con grandes expectativas debido a su potencial para revolucionar el aprendizaje automático a través de una mayor capacidad de computación, optimización avanzada, expansión del espacio de características y la capacidad de resolver problemas complejos en diversas disciplinas. QML aplicado a datos médicos promete desbloquear nuevas perspectivas de las estructuras de datos y adaptarse mejor a ellas. En este trabajo entrenamos dos modelos, uno clásico, una Máquina de Vectores de Soporte o Support Vector Machine (SVM), y otro cuántico, un Clasificador Cuántico Variacional o Variational Quantum Classifier (VQC), utilizando características extraídas de imágenes de la base de datos OASIS-3, etiquetadas con un grado de demencia asociado a la enfermedad de Alzheimer o el Índice de Demencia Cognitiva o Cognitive Dementia Ratio (CDR). Dado que la base de datos utilizada para entrenar y probar ambos modelos estaba desbalanceada, los resultados resaltaron algunas tendencias preocupantes de generalización provenientes del algoritmo clásico que no estuvieron tan presentes en el modelo cuántico, abriendo la puerta a nuevas investigaciones en posibles aplicaciones del QML en tareas de clasificación de datos médicos en el futuro.engMachine LearningComputación CuánticaAlzheimerClasificaciónImagen MédicaMRIinfo:eu-repo/semantics/studentThesisinfo:eu-repo/semantics/embargoedAccess