論文の概要: A Specialized Importance-Aware Quantum Convolutional Neural Network with Ring-Topology (IA-QCNN) for MGMT Promoter Methylation Prediction in Glioblastoma

• arxiv url: http://arxiv.org/abs/2604.22877v1
• Date: Fri, 24 Apr 2026 02:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.020728
• Title: A Specialized Importance-Aware Quantum Convolutional Neural Network with Ring-Topology (IA-QCNN) for MGMT Promoter Methylation Prediction in Glioblastoma
• Title（参考訳）: グリオ芽腫におけるMGMTプロモーターメチル化予測のためのリングトポロジー(IA-QCNN)を用いた特殊重要性を考慮した量子畳み込みニューラルネットワーク
• Authors: Emine Akpinar, Murat Oduncuoglu,
• Abstract要約: MGMTプロモーターメチル化は、テモゾロマイド系化学療法に対する反応を予測するための重要な予後指標である。 非侵襲的なMGMT予測のために、さまざまなAIフレームワークが開発されている。 量子力学の原理に基づいて、特殊なIA-QCNNアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: GBM is a highly aggressive primary malignancy in adults, necessitating personalized therapeutic strategies due to its inherent molecular heterogeneity. MGMT promoter methylation is a pivotal prognostic biomarker for anticipating response to temozolomide-based chemotherapy. Although various AI frameworks have been developed for non-invasive MGMT prediction, spatial heterogeneity of methylation status and the high-dimensional and correlated nature of MRI data frequently constrain discriminative feature learning and generalizability of classical models. To circumvent these limitations, a specialized IA-QCNN architecture is proposed, based on the principles of quantum mechanics, including superposition and entanglement, and enabling more efficient representation learning in high-dimensional Hilbert space. The framework establishes a methodological bridge between GBM radiogenomics and quantum deep learning by integrating energy-based slice selection, importance-aware weighting, ring-topology quantum convolution, and folding-based pooling layers. When the model predicts MGMT promoter methylation status using both mpMRI and T1Gd images, experimental results demonstrate that the IA-QCNN achieves high accuracy despite its low number of trainable parameters while effectively minimizing the overfitting problem observed in classical models. Quantitative analyses reveal that the T1Gd modality possesses higher discriminative power than mpMRI, establishing a clinically significant sequence preference. Furthermore, the model exhibits exceptional robustness in hybrid noise environments, effectively utilizing noise as a regularization mechanism to enhance predictive performance. Consequently, the specialized IA-QCNN architecture provides a robust and computationally efficient alternative to classical approaches in the analysis of heterogeneous radiogenomic data.
• Abstract（参考訳）: GBMは、成人において非常に攻撃的な原発性悪性腫瘍であり、その固有の分子多様性のためにパーソナライズされた治療戦略を必要とする。 MGMTプロモーターメチル化は、テモゾロミド系化学療法に対する反応を予測するための重要な予後指標である。 非侵襲的なMGMT予測のための様々なAIフレームワークが開発されているが、メチル化状態の空間的不均一性とMRIデータの高次元および相関特性は、古典モデルの識別的特徴学習と一般化可能性にしばしば制約を与える。 これらの制限を回避するため、重ね合わせや絡み合いを含む量子力学の原理に基づいて、特殊なIA-QCNNアーキテクチャを提案し、高次元ヒルベルト空間におけるより効率的な表現学習を可能にした。 このフレームワークは、エネルギーベースのスライス選択、重要性を考慮した重み付け、リングトポロジー量子畳み込み、折り畳みベースのプール層を統合することで、GBMラジオゲノミクスと量子ディープラーニングの間の方法論的なブリッジを確立する。 モデルがmpMRIとT1Gd画像の両方を用いてMGMTプロモーターメチル化状態を予測すると、IA-QCNNはトレーニング可能なパラメータの少ないにもかかわらず精度が高く、古典的モデルで観測される過度な問題を最小限に抑えられることを示した。 定量的解析により、T1GdモダリティはmpMRIよりも高い識別力を有し、臨床的に重要な配列選択を確立していることが明らかとなった。 さらに、ハイブリッドノイズ環境において、予測性能を高めるための正規化メカニズムとしてノイズを効果的に活用し、例外的なロバスト性を示す。 その結果、IA-QCNNアーキテクチャは、異種放射性ゲノミクスデータの解析における古典的アプローチの頑健で効率的な代替手段を提供する。

関連論文リスト

• Multiparameter Uncertainty Mapping in Quantitative Molecular MRI using a Physics-Structured Variational Autoencoder (PS-VAE) [0.0]
  本稿では,物理構造を持つ変分オートエンコーダ(PS-VAE)について述べる。 本法は, マルチプロトンプール化学交換飽和輸送 (CEST) および半固体磁化移動 (MT) 分子MRF法で検証した。
  論文  参考訳（メタデータ） (2026-02-03T09:46:55Z)
• DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
  生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。 複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
  論文  参考訳（メタデータ） (2026-02-02T09:10:09Z)
• The Multi-View Paradigm Shift in MRI Radiomics: Predicting MGMT Methylation in Glioblastoma [0.0]
  医用画像からの分子腫瘍の特徴の非侵襲的推測は、放射線ゲノミクスの中心的目的である。 本稿では,変分オートエンコーダ(VAE)に基づく多視点潜在表現学習フレームワークを提案する。 提案手法は,効率的なマルチモーダル積分を実現しつつ,モダリティ固有の構造を保存する。
  論文  参考訳（メタデータ） (2025-12-26T16:32:19Z)
• Enriching Earth Observation labeled data with Quantum Conditioned Diffusion Models [38.62950622229361]
  条件付き拡散フレームワーク内で量子演算を適用するハイブリッド量子古典アーキテクチャであるQCU-Netを導入する。 EuroSAT RGBデータセットの実験は、我々のQCU-Netが優れた結果を得ることを示す。 この研究は、地球観測領域におけるクラス条件量子拡散モデリングの最初の成功例である。
  論文  参考訳（メタデータ） (2025-12-23T15:40:31Z)
• Enhancing Machine Learning for Imbalanced Medical Data: A Quantum-Inspired Approach to Synthetic Oversampling (QI-SMOTE) [0.0]
  クラス不均衡は、マシンラーニング(ML)、特に医療領域において重要な課題である。 本研究では,新しいデータ拡張技術であるQuantum-Inspired SMOTE(QI-SMOTE)を紹介する。 QI-SMOTEは複雑なデータ構造を保存し、モデルの一般化と分類精度を向上させる合成インスタンスを生成する。
  論文  参考訳（メタデータ） (2025-09-02T22:20:46Z)
• Evaluating Effects of Augmented SELFIES for Molecular Understanding Using QK-LSTM [2.348041867134616]
  副作用を含む分子特性の同定は、薬物開発において決定的だが時間を要するステップである。 Simplified Molecular Line-Entry System (SMILES) の強化による古典的領域における最近の進歩 本研究は, 分子特性予測と副作用同定の促進に向けた新たな知見を提示する。
  論文  参考訳（メタデータ） (2025-04-29T14:03:31Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Translational Quantum Machine Intelligence for Modeling Tumor Dynamics in Oncology [18.069876260017605]
  量子マシンインテリジェンス(Quantum Machine Intelligence)は、量子力学の観点からの腫瘍力学の非並列的な洞察を提供する。 本稿では,治療効果に関する腫瘍負担の量子力学を定量化する,$eta-$Netという新しいハイブリッド量子古典型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-21T08:46:58Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。