論文の概要: Quantum Kernel Estimation for the Discovery of Early Lung Cancer Detection

• arxiv url: http://arxiv.org/abs/2608.19304v1
• Date: Wed, 19 Aug 2026 17:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.362632
• Title: Quantum Kernel Estimation for the Discovery of Early Lung Cancer Detection
• Title（参考訳）: 早期肺癌発見のための量子カーネル推定
• Abstract要約: DNA断片化とDNAメチル化を用いた肺がん検出のための量子古典的ハイブリッド機械学習の評価を行った。 フラグメントミクスでは、古典的なSVMベースラインに対するAUCが改善された。 メチル化では、古典的なSVMは最高のAUCを達成したが、選択された量子モデルは競争力を維持し、いくつかのケースでは特異性を改善した。
• 参考スコア（独自算出の注目度）: 0.36944296923226316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung cancer screening with low-dose chest computed tomography reduces mortality, but its impact is limited by uptake, adherence, and management challenges. Blood-based cell-free DNA (cfDNA) biomarkers offer a complementary approach, although early detection remains difficult because of lung cancer heterogeneity and high-dimensional, nonlinear molecular signals. We evaluated quantum-classical hybrid machine learning for lung cancer detection using DNA fragmentomics and DNA methylation. After feature selection, models were trained using 20- and 40-feature subsets. Features were encoded into quantum Hilbert space using angle and dense-angle feature maps with multiple entanglement strategies. Fidelity-based quantum kernels were computed with exact statevector simulation and integrated with precomputed-kernel SVM and kernel-PCA logistic regression and compared with an SVM model trained on the original features. This framework enabled systematic evaluation of how encoding and entanglement design affect classification. Across repeated held-out evaluations, quantum-kernel models achieved competitive performance on both datasets. For fragmentomics, several 20-feature configurations improved AUC relative to a classical SVM baseline, suggesting effective capture of nonlinear cfDNA fragmentation structure. For methylation, the classical SVM achieved the highest AUC, although selected quantum models remained competitive and improved specificity in some cases. Increasing features from 20 to 40 did not consistently improve performance and often increased variability. Overall, these results support quantum kernel methods as a promising approach for cfDNA-based lung cancer detection.
• Abstract（参考訳）: 低用量胸部CTによる肺がん検診は死亡率を低下させるが、その影響は取り込み、定着、管理の課題によって制限される。 血液ベースの無細胞DNA (cfDNA) バイオマーカーは相補的なアプローチを提供するが、早期発見は肺がんの不均一性と高次元の非線形分子信号のために困難である。 DNAフラグメントミクスとDNAメチル化を用いた肺がん検出のための量子古典的ハイブリッド機械学習の評価を行った。 特徴選択後、モデルは20と40のサブセットを使用して訓練された。 特徴は、複数の絡み合い戦略を持つ角度と密度の強い特徴写像を用いて、量子ヒルベルト空間に符号化された。 忠実度に基づく量子カーネルは、正確な状態ベクトルシミュレーションを用いて計算され、プリ計算されたカーネルSVMとカーネル-PCAロジスティック回帰と統合され、元の特徴に基づいて訓練されたSVMモデルと比較された。 この枠組みは、符号化設計と絡み合い設計が分類にどのように影響するかの体系的な評価を可能にした。 保持状態の評価を繰り返し、量子カーネルモデルは両方のデータセットで競合性能を達成した。 フラグメントミクスでは、古典的なSVMベースラインに対して、いくつかの20機能構成がAUCを改善し、非線形cfDNA断片化構造を効果的に捉えることが示唆された。 メチル化では、古典的なSVMは最高のAUCを達成したが、選択された量子モデルは競争力を維持し、いくつかのケースでは特異性を改善した。 20から40までのフィーチャの増加は、パフォーマンスを継続的に改善せず、しばしばバリエーションを増大させた。 全体として、これらの結果はcfDNAに基づく肺がん検出のための有望なアプローチとして量子カーネル法をサポートしている。

関連論文リスト

• Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
  Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。 反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。 MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
  論文  参考訳（メタデータ） (2026-07-28T07:54:43Z)
• Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction [3.229566379058554]
  凍結した病理組織とRNA-Seqファンデーションモデル上に軽量アライメントモジュールをトレーニングすることで、オープンボキャブラリ分子プロンプトが実現できることを示す。 ベースライン法よりも25倍の検索改善を実現した。 我々はPOSEIDON臨床試験における臨床的有用性を検証する。
  論文  参考訳（メタデータ） (2026-06-29T08:24:53Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Computational Methods and Challenges in Cell-Free DNA Analysis for Multi-Cancer Early Detection [0.0]
  細胞フリーDNA (cfDNA) は非侵襲性多発がん早期発見の道として有望である。 本研究は, 早期に癌を検出するために, フラグメントミクスとエピジェネティックな特徴を抽出し, 分析する方法に焦点を当てる。
  論文  参考訳（メタデータ） (2026-06-18T12:43:12Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Q2SAR: A Quantum Multiple Kernel Learning Approach for Drug Discovery [39.58317527488534]
  本研究は、QSAR分類を強化するために、量子多重カーネル学習フレームワークを成功させたことを実証する。 本手法をDYRK1Aキナーゼ阻害剤を同定するためのデータセットに適用する。 古典的なグラディエントブースティングモデルに対してQMKL-SVMをベンチマークすることにより、量子化アプローチがより優れたAUCスコアを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-17T19:00:47Z)
• Hybrid CNN with Chebyshev Polynomial Expansion for Medical Image Analysis [0.0]
  肺がんは、世界中でがん関連死亡の原因の1つとなっている。 従来の畳み込みニューラルネットワーク(CNN)は、医療画像解析においてかなりの可能性を秘めている。 本研究では,Chebyshev-CNNを組み込んだハイブリッドディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-09T12:02:56Z)
• 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)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。