論文の概要: Quantum Machine Learning for Colorectal Cancer Data: Anastomotic Leak Classification and Risk Factors
- arxiv url: http://arxiv.org/abs/2604.13951v1
- Date: Wed, 15 Apr 2026 15:03:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.594874
- Title: Quantum Machine Learning for Colorectal Cancer Data: Anastomotic Leak Classification and Risk Factors
- Title（参考訳）: 大腸癌データの量子機械学習 : 解剖学的リーク分類とリスクファクター
- Authors: Vojtěch Novák, Ivan Zelinka, Lenka Přibylová, Lubomír Martínek, Vladimír Benčurík, Martin Beseda,
- Abstract要約: 本研究は,異所性漏洩予測のためのQNNに対する大腸危険因子と古典的モデルについて検討する。
F_$最適化された量子配置は、古典的なベースラインよりもはるかに高い感度(83.3%)を得た。
- 参考スコア（独自算出の注目度）: 0.049259062564301744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study evaluates colorectal risk factors and compares classical models against Quantum Neural Networks (QNNs) for anastomotic leak prediction. Analyzing clinical data with 14\% leak prevalence, we tested ZZFeatureMap encodings with RealAmplitudes and EfficientSU2 ansatze under simulated noise. $F_β$-optimized quantum configurations yielded significantly higher sensitivity (83.3\%) than classical baselines (66.7\%). This demonstrates that quantum feature spaces better prioritize minority class identification, which is critical for low-prevalence clinical risk prediction. Our work explores various optimizers under noisy conditions, highlighting key trade-offs and future directions for hardware deployment.
- Abstract（参考訳）: 本研究は,大腸の危険因子を評価し,古典的モデルと量子ニューラルネットワーク(QNN)を比較して解剖学的リーク予測を行う。
14 %の漏出頻度で臨床データを解析し,実振幅でZZFeatureMapを符号化し,効率の良いSU2アンサーゼをシミュレートした。
F_β$-optimized quantum configurations は古典的ベースライン (66.7\%) よりもはるかに高い感度 (83.3\%) を得た。
このことは、量子的特徴空間が、低頻度臨床リスク予測にとって重要なマイノリティーなクラス識別を優先することが示される。
我々の研究は、さまざまなオプティマイザをノイズの多い条件下で探索し、ハードウェアデプロイメントにおける重要なトレードオフと今後の方向性を強調します。
関連論文リスト
- Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
犯罪パターン分析は法執行機関と予測警察にとって重要である。
急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。
本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-08T06:05:25Z) - Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment [42.97456036889799]
古典的な放射能の特徴は、画像の外観と強度パターンを定量化するように設計されている。
近年の適応放射能の研究では、DLを用いて放射能プール上の特徴量を予測する。
本稿では,患者ごとにひとつのコンパクトな特徴セットを予測できる,患者固有の特徴セット選択フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T20:12:41Z) - Quantum Neural Networks for Propensity Score Estimation and Survival Analysis in Observational Biomedical Studies [0.17999333451993949]
大学オストラバ病院で治療を受けた大腸癌1177例(2001-2009)における腹腔鏡下手術術と開術術の生存成績の比較における選択バイアスへの量子ニューラルネットワーク(QNN)の適用
QNNアーキテクチャでは、データエンコーディングに線形ZFeatureMap、予測にSummedPaulis演算子、ノイズの多い量子環境に頑健で勾配のない最適化にCovariance Matrix Adaptation Evolution Strategy (CMA-ES)を採用した。
これらの結果は、生体医学研究における因果推論を改善するために、CMA-ESとノイズ認識戦略によって強化されたQNNの可能性を強調している。
論文 参考訳（メタデータ） (2025-06-24T19:40:39Z) - Quantum Machine Learning for Predicting Anastomotic Leak: A Clinical Study [0.16777183511743468]
AL(Anastomotic leak)は,大腸癌術後の合併症である。
本研究では、AL予測のための量子ニューラルネットワーク(QNN)の可能性について検討する。
論文 参考訳（メタデータ） (2025-06-02T14:13:10Z) - Optimal normalization in quantum-classical hybrid models for anti-cancer drug response prediction [0.0]
量子古典的ハイブリッド機械学習(QHML)モデルは、その頑健な性能と高い一般化能力で認識される。
本稿では、$tanh$の適度なバージョンに基づいて正規化関数を使用する新しい戦略を提案する。
癌細胞株の遺伝子発現と薬剤応答のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2025-05-15T07:33:41Z) - Quantum enhanced stratification of Breast Cancer: exploring quantum expressivity for real omics data [0.0]
量子カーネル(QK)は、分子特性に基づいて、乳癌(BC)患者のサブタイプを効果的に分類できる。
以上の結果から,QKは従来の手法と同等のクラスタリング結果が得られるが,データポイントは少ないことがわかった。
その結果,NISQデバイス上で計算パイプラインを確実に実装できることが示唆された。
論文 参考訳（メタデータ） (2024-09-21T10:00:09Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z)
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。