用于预测吻合口瘘的量子机器学习：一项临床研究
量子物理
2025-07-03 v2
摘要
吻合口瘘（AL）是结直肠手术后危及生命的并发症，其准确预测仍是一项重大的临床挑战。本研究探讨了量子神经网络（QNNs）用于 AL 预测的潜力，并与经过超参数调优的经典模型（包括逻辑回归、多层感知器和提升算法）进行了严格的基准对比。使用包含 200 名患者的临床数据集以及通过统计分析确定的四个关键预测因子，我们评估了采用 ZZFeatureMap 编码以及 EfficientSU2 和 RealAmplitudes ansätze 的 QNNs，并在真实的硬件噪声模型下进行了模拟。我们的框架强调鲁棒性，性能指标为使用多种算法在 10 次独立优化运行中的平均值。EfficientSU2-BFGS 组合达到了最高的平均 AUC ，而结合 CMA-ES 的 RealAmplitudes 在平均精度（）上表现优异，这对于不平衡的医疗数据集至关重要。我们建立了优化器收敛与模型效能之间的直接联系，其中有效的变分参数优化转化为改善的分类指标。可解释性分析表明，QNNs 可能捕获了经典线性模型中不明显的复杂非线性特征关系。这项工作突出了 QNNs 作为筛查工具的潜力，同时强调需要基于特定临床目标进行模型选择，并有待在更大规模数据集上进行验证。
引用
@article{arxiv.2506.01708,
title = {Quantum Machine Learning for Predicting Anastomotic Leak: A Clinical Study},
author = {Vojtěch Novák and Ivan Zelinka and Lenka Přibylová and Lubomír Martínek and Vladimír Benčurik},
journal= {arXiv preprint arXiv:2506.01708},
year = {2025}
}