面向观察性医学研究的量子神经网络倾向得分估计与生存分析
量子物理
2025-06-26 v1 人工智能
机器学习
摘要
本研究探讨了应用量子神经网络（QNNs）进行倾向得分估计，以解决在1177例2001-2009年在奥斯特拉瓦大学医院接受结直肠癌手术的患者中， laparoscopic 与 open 手术技术之间生存结果比较中选择偏差的问题。该研究使用包含77个变量（包括患者人口学特征和肿瘤特征）的数据集，我们开发了基于QNN的倾向得分模型，聚焦于四个关键协变量（年龄、性别、分期、BMI）。QNN架构采用线性ZFeatureMap进行数据编码，采用SummedPaulis算子进行预测，并使用协方差矩阵适应进化策略（CMA-ES）进行稳健的、无梯度的优化，以应对噪声环境。集成了方差正则化以缓解量子测量噪声，实验在exact、抽样（1024次抽样）和噪声硬件（FakeManhattanV2）条件下进行。QNNs，特别是带有模拟硬件噪声的QNNs，在小样本（n=100时AUC最高可达0.750）中优于经典逻辑回归和梯度提升机器人，噪声建模有助于提高预测稳定性。通过遗传匹配和匹配权重优化的倾向得分匹配和加权，实现了协变量平衡，分别为标准化均值差为0.0849和0.0869。使用 Kaplan-Meier 估计、Cox比例风险和 Aalen 加法回归进行生存分析，发现调整后未发现显著的生存差异（p值范围为0.287-0.851），表明未调整结果中存在混淆偏差。这些结果突显了CMA-ES和噪声感知策略在改进医学研究中QNNs的潜力，尤其是针对小样本、高维数据集。
引用
@article{arxiv.2506.19973,
title = {Quantum Neural Networks for Propensity Score Estimation and Survival Analysis in Observational Biomedical Studies},
author = {Vojtěch Novák and Ivan Zelinka and Lenka Přibylová and Lubomír Martínek},
journal= {arXiv preprint arXiv:2506.19973},
year = {2025}
}