用于预测慢性阻塞性肺疾病肌肉结果的几何与量子核方法
机器学习
2026-04-21 v2 人工智能
量子物理
摘要
量子方法正日益被用于医疗保健领域，但翻译性生物标志物研究需要透明的基准测试和稳健的小数据集评估。我们分析了一组113只术后COPD动物样本，包含血液和支气管液生物标志物，以预测坐骨肌肱肌的肌肉重量、特定力量和肌肉质量。我们对比了调优的经典模型与两种结构化非线性小数据策略：几何感知的对称正定（SPD）描述符，其中仅用于聚类的训练聚类将每个主体映射到代表原型的斯坦纳发散距离，并可选用无标签的合成SPD插值来稳定原型发现；以及量子核回归，包括聚类Nystrom式特征映射，将每个主体压缩为到小组训练派生中心的相似性。通过用紧凑的原型和中心基的概括取代完整的两两结构，这些步骤正规化学习，保留了小样本情境下的可解释性。在五折交叉验证中，使用四个可解释输入的量子核岭回归实现了最佳肌肉重量性能（RMSE 4.41 mg；R2 0.62），优于匹配的紧凑经典基线（4.68 mg；R2 0.56）。仅含生物标志物的SPD特征也优于岭回归（4.55毫克 vs 4.79毫克），筛查评估达到ROC-AUC 0.91可区分低肌肉重量。
引用
@article{arxiv.2601.00921,
title = {Geometric and Quantum Kernel Methods for Predicting Skeletal Muscle Outcomes in chronic obstructive pulmonary disease},
author = {Azadeh Alavi and Hamidreza Khalili and Stanley H. Chan and Fatemeh Kouchmeshki and Muhammad Usman and Ross Vlahos},
journal= {arXiv preprint arXiv:2601.00921},
year = {2026}
}
备注
19 pages, 5 figures