错误缓解使量子计算机上的PET放射性癌症特征成为可能
S Moradi1, Clemens Spielvogel2, Denis Krajnc3
1Applied Quantum Computing Group, Center for Medical Physics and Biomedical Engineering, Medical University of Vienna, Waehringer Guertel 18-20, T1090, Vienna, Austria.
European journal of nuclear medicine and molecular imaging
|August 4, 2023
概括
量子机器学习在预测PET扫描的癌症结果方面表现有前途,在真实量子硬件上的经典方法中表现优于误差缓解. 这一进步为癌症诊断和患者分层提供了潜在的飞跃.
科学领域:
- 量子计算在医学中的应用.
- 放射学和医学成像分析分析.
- 机器学习用于临床终点预测.
背景情况:
- 癌症诊断依赖于活检,这在特征瘤异质性方面存在局限性.
- 以正子发射断层扫描 (PET) 驱动的放射学显示出预测临床结果的潜力.
- 量子机器学习 (QML) 正在探索在癌症患者中增强预测能力.
研究的目的:
- 评估量子机器学习 (QML) 在使用PET放射学数据预测临床终点方面的附加值.
- 在模拟和真实量子计算机上比较QML性能与经典机器学习 (CML).
- 调查误差缓解技术对QML预测准确性的影响.
主要方法:
- 利用公开可用的PET放射学数据集用于质瘤,前列腺癌和肺癌.
- 应用冗余减少和特征选择,创建了18个数据集变体.
- 在模拟器中训练并测试了五个CML及其QML对应物,并在IonQ Aria量子计算机上选择了QML模型.
主要成果:
- 在模拟器环境中,QML通常表现优于CML,特别是具有16个特征 (70%与69%BACC).
- 错误缓解显著改善了IonQ设备上的QML性能,将测试BACC从69.94%提高到75.66%.
- 在模拟器环境和真实量子硬件中观察到量子优势,当使用具有误差缓解的QML时.
结论:
- 量子优势可以在真实量子计算机中实现,用于预测PET癌症队列中的临床终点,特别是在错误缓解方面.
- 使用放射性数据,QML证明了在癌症患者分层中提高预测准确性的潜力.
- 这项研究强调了将量子计算应用于医学诊断和预后的可行性和好处.
