自动分类胰腺癌从尿路生物标志物使用等价量子卷积神经网络与混合优化算法胰腺癌自动分类
Vivekanandan G1, Soma Prathibha2, Suganthi P1
1Assistant Professor, Department of Computer Science and Engineering, Sri Sairam Institute of Technology, Chennai, India.
Computer methods in biomechanics and biomedical engineering
|November 13, 2025
概括
这项研究引入了一种新的AI框架,用于早期发现胰腺癌,使用量子神经网络和尿路生物标志物. 该方法在识别胰腺管腺癌 (PDAC) 中显示出高准确性,提供了一个有前途的非侵入性诊断工具.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 量子计算应用 量子计算应用
背景情况:
- 早期发现胰腺管腺癌 (PDAC) 可以显著提高患者的生存率.
- 目前用于PDAC的诊断方法往往缺乏足够的灵敏度或是侵入性的.
- 对于早期检测PDAC的准确和非侵入性方法有极大需求.
研究的目的:
- 开发和评估用于早期PDAC检测的自动化分类框架.
- 利用尿路生物标记物和先进的量子机器学习模型来提高诊断准确度.
- 建立一种非侵入性诊断工具,用于在早期阶段识别PDAC.
主要方法:
- 开发了一个使用等价量子卷积神经网络 (EQCNNs) 的自动分类框架.
- 该EQCNN模型使用混合亚当-丁哥和量子人工蜂鸟算法 (HybADOQAHA) 进行了优化.
- 从590个样本中获得的尿路生物标记物 (肌素,LYVE1,REG1B,TFF1) 在经过双特征选和提升欧勒特征变换后进行预处理后进行分析.
主要成果:
- 拟议的EQCNN框架与基线模型相比显示出更高的性能.
- 关键性能指标,包括准确性,精度,回忆,特异性和曲线下的面积 (AUC) 显著改善.
- 实验结果验证了优化量子模型在分类PDAC病例中的有效性.
结论:
- 使用EQCNNs和HybADOQAHA开发的自动分类框架是早期PDAC检测的高效非侵入性工具.
- 这项研究突出了量子计算和尿路生物标记器在彻底改变癌症诊断方面的潜力.
- 拟议的方法在早期识别胰腺管腺癌方面提供了有前途的进展,可能挽救生命.
