論文の概要: Quantum Neural Networks for Propensity Score Estimation and Survival Analysis in Observational Biomedical Studies

• arxiv url: http://arxiv.org/abs/2506.19973v1
• Date: Tue, 24 Jun 2025 19:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.52213
• Title: Quantum Neural Networks for Propensity Score Estimation and Survival Analysis in Observational Biomedical Studies
• Title（参考訳）: 生体医学研究における確率スコア推定と生存分析のための量子ニューラルネットワーク
• Authors: Vojtěch Novák, Ivan Zelinka, Lenka Přibylová, Lubomír Martínek,
• Abstract要約: 大学オストラバ病院で治療を受けた大腸癌1177例(2001-2009)における腹腔鏡下手術術と開術術の生存成績の比較における選択バイアスへの量子ニューラルネットワーク(QNN)の適用 QNNアーキテクチャでは、データエンコーディングに線形ZFeatureMap、予測にSummedPaulis演算子、ノイズの多い量子環境に頑健で勾配のない最適化にCovariance Matrix Adaptation Evolution Strategy (CMA-ES)を採用した。 これらの結果は、生体医学研究における因果推論を改善するために、CMA-ESとノイズ認識戦略によって強化されたQNNの可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.17999333451993949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates the application of quantum neural networks (QNNs) for propensity score estimation to address selection bias in comparing survival outcomes between laparoscopic and open surgical techniques in a cohort of 1177 colorectal carcinoma patients treated at University Hospital Ostrava (2001-2009). Using a dataset with 77 variables, including patient demographics and tumor characteristics, we developed QNN-based propensity score models focusing on four key covariates (Age, Sex, Stage, BMI). The QNN architecture employed a linear ZFeatureMap for data encoding, a SummedPaulis operator for predictions, and the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) for robust, gradient-free optimization in noisy quantum environments. Variance regularization was integrated to mitigate quantum measurement noise, with simulations conducted under exact, sampling (1024 shots), and noisy hardware (FakeManhattanV2) conditions. QNNs, particularly with simulated hardware noise, outperformed classical logistic regression and gradient boosted machines in small samples (AUC up to 0.750 for n=100), with noise modeling enhancing predictive stability. Propensity score matching and weighting, optimized via genetic matching and matching weights, achieved covariate balance with standardized mean differences of 0.0849 and 0.0869, respectively. Survival analyses using Kaplan-Meier estimation, Cox proportional hazards, and Aalen additive regression revealed no significant survival differences post-adjustment (p-values 0.287-0.851), indicating confounding bias in unadjusted outcomes. These results highlight QNNs' potential, enhanced by CMA-ES and noise-aware strategies, to improve causal inference in biomedical research, particularly for small-sample, high-dimensional datasets.
• Abstract（参考訳）: 本研究は,オストラバ大学病院(2001-2009)で治療を受けた大腸癌1177例のコホートにおいて,腹腔鏡下手術術と開腹手術術の生存率を比較した際の選択バイアスへの量子ニューラルネットワーク(QNN)の適用について検討した。 患者人口と腫瘍の特徴を含む77変数のデータセットを用いて,4つの主要な共変量(Age,Sex,Stage,BMI)に着目したQNNを用いた確率スコアモデルを開発した。 QNNアーキテクチャでは、データエンコーディングに線形ZFeatureMap、予測にSummedPaulis演算子、ノイズの多い量子環境に頑健で勾配のない最適化にCovariance Matrix Adaptation Evolution Strategy (CMA-ES)を採用した。 可変正則化は量子計測ノイズを軽減するために統合され、精密なシミュレーション、サンプリング(1024ショット)、ノイズの多いハードウェア(FakeManhattanV2)条件で実施された。 QNNは、特にハードウェアノイズのシミュレーションにおいて、小さなサンプル(AUCは0.750まで、n=100まで)における古典的ロジスティック回帰と勾配向上マシンよりも優れ、ノイズモデリングにより予測安定性が向上した。 遺伝的マッチングと重み付けによって最適化された確率スコアマッチングと重み付けは、それぞれ0.0849と0.0869の標準平均差で共変量バランスを達成した。 Kaplan-Meier推定, Cox比例ハザード, Aalen加法レグレッションを用いた生存分析では, 調整後の生存率に有意な差は認められなかった(p値0.287-0.851)。 これらの結果は,生体医学研究における因果推論,特に小型で高次元のデータセットにおいて,CMA-ESとノイズ認識戦略によって強化されたQNNの可能性を強調した。

関連論文リスト

• CNN-LSTM Hybrid Model for AI-Driven Prediction of COVID-19 Severity from Spike Sequences and Clinical Data [0.0]
  スパイクタンパク質配列と臨床データを用いたCNN-LSTMハイブリッドモデルを構築した。 このモデルはF1スコア82.92%、ROC-AUC 0.9084、精度83.56%、リコール82.85%を達成した。
  論文  参考訳（メタデータ） (2025-05-29T16:20:54Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Machine learning algorithms to predict stroke in China based on causal inference of time series analysis [1.7646715816998508]
  本研究では,動的因果推論と機械学習モデルを組み合わせた脳卒中リスク予測手法を提案する。 その結果,脳卒中リスクの予測には動的因果推論の特徴が重要であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-10T14:45:43Z)
• Comprehensive Methodology for Sample Augmentation in EEG Biomarker Studies for Alzheimers Risk Classification [0.0]
  主な型であるアルツハイマー病(AD)は70%の症例である。 脳波測定はADリスクを識別する可能性を示しているが、信頼性の高い比較のために大規模なサンプルを取得することは困難である。 本研究では,信号処理,調和化,統計的手法を統合し,サンプルサイズを向上し,ADリスク分類の信頼性を向上させる。
  論文  参考訳（メタデータ） (2024-11-20T10:31:02Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• Inference for High Dimensional Censored Quantile Regression [8.993036560782137]
  本稿では,グローバルに検閲された量子レグレッションの枠組みの中で,すべての予測子を推論する新しい手法を提案する。 提案手法は,高次元設定における推定の不確かさを適切に定量化できることを示す。 肺がん経路に居住するSNPが患者の生存に及ぼす影響を解析するために本法を適用した。
  論文  参考訳（メタデータ） (2021-07-22T23:57:06Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。