Bu tədqiqat, ürək xəstəliyi proqnozunda klassik klinik məlumatların kvant vəziyyətlərinə necə kodlaşdırılmasının modelin uğurunu dəyişdirib-dəyişdirmədiyini araşdırır. Tədqiqatçılar 918 xəstəyə aid 11 klinik və fizioloji xüsusiyyəti ehtiva edən açıq verilənlər dəstini əvvəlcədən emaldan keçirərək Principal Component Analysis (PCA) ilə təxminən %90 ümumi varyansı qoruyan 9 komponentə endirmiş; daha sonra Angle Encoding (AE), Amplitude Encoding (AmE), Basis Encoding (BE), Pauli Encoding (PE) və ZZ Feature Map (ZZFM) olmaqla beş kvant xüsusiyyət xəritəsini QSVM, QKNN, QRF və VQC olmaqla dörd kvant təsnifləndiricisi ilə müqayisə etmişdir. Beş qatlı çarpaz doğrulamada ən yüksək ümumi doğruluq QSVM + AE kombinasiyasında %90,26, həssaslıq %92,16, spesifiklik %83,42, F1-skoru %89,68 və ROC-AUC 0,93 kimi bildirilmişdir. Bununla birlikdə nəticələrin hamısı kvant simulyatorunda əldə edilmişdir; tədqiqat real kvant avadanlığı üzərində və ya prospektiv klinik mühitdə diaqnostik doğrulama təqdim etmir.

Tədqiqatın mühüm nəticəsi yalnız hansı təsnifləndiricinin seçilməsi deyil, klassik klinik xüsusiyyətlərin kvant vəziyyətinə necə kodlaşdırılmasının performansı böyük ölçüdə dəyişdirə bilməsidir. Məsələn, QSVM AE ilə %90,26 doğruluğa çatdığı halda eyni təsnifləndirici AmE ilə %79,89-a düşür; VQC isə AE ilə %43,48 doğruluq verdiyi halda BE ilə %85,87-yə yüksəlir. Buna görə kvant maşın öyrənməsi (Quantum Machine Learning, QML) qiymətləndirilməsində “kvant model” təkbaşına yetərli bir tərif deyil; xüsusiyyət xəritəsi və təsnifləndirici birlikdə qiymətləndirilməlidir.

Araşdırmanın əsas sualı nədir?

Araşdırmanın mərkəzindəki sual, ürək xəstəliyinə aid klassik klinik dəyişənlərin fərqli kvant xüsusiyyət xəritələri ilə təmsil edilməsinin kvant təsnifləndiricilərinin performansına necə təsir etməsidir. Tədqiqat xüsusilə beş kodlaşdırma texnikasını və dörd QML təsnifləndiricisini eyni ümumi işlem xəttində müqayisə edərək xüsusiyyət kodlaşdırmasının təsirini görünən etməyi məqsəd qoyur.

Mənbə verilənlər dəstində 918 xəstə qeydi, 11 giriş xüsusiyyəti və bir ikili hədəf dəyişəni vardır. HeartDisease hədəfində 1 ürək xəstəliyi, 0 normal vəziyyət kimi müəyyən edilmişdir.

Verilənlərin paylanması nə göstərir?

Tədqiqatın histogram və sıxlıq qrafiklərində yaş paylanmasının əsasən təxminən 40–65 yaş aralığında cəmləşdiyi, RestingBP-nin təxminən 130 mmHg ətrafında və MaxHR-nin təxminən 140–160 bpm ətrafında cəmləşdiyi görünür. Cholesterol və Oldpeak paylanmaları sağa çəpdir. Kateqorik xüsusiyyətlər kodlaşdırıldıqdan sonra gözlənən ayrıq təpə strukturları görünür.

Violin qrafiklərində də yaşın əsasən 50-li yaşlarda cəmləşdiyi, RestingBP-nin böyük hissəsinin 120–150 mmHg ətrafında olduğu və Oldpeak dəyişəninin uzun müsbət quyruğa sahib olduğu görünür. Mənbə xolesterin dəyişənində sıfıra yaxın kiçik bir dəyər qrupunun placeholder və ya aykırı dəyər ola biləcəyini bildirir. Bununla birlikdə tədqiqatçılar bu dəyərlərin PCA-dan əvvəlki miqyaslama prosesi ilə ele alındığını ifadə edirlər; məlumat etibarlılığının ayrıca klinik olaraq doğrulandığına dair analiz təqdim edilmir.

Korrelyasiyalar nə deyir?

Tədqiqatın Pearson korrelyasiya istilik xəritəsində HeartDisease hədəfi ilə ən nəzərəçarpan əlaqələrdən bəziləri ST_Slope üçün −0,56, ExerciseAngina üçün +0,49, Oldpeak üçün +0,40, MaxHR üçün −0,40, ChestPainType üçün −0,39, Sex üçün +0,31 və Age üçün +0,28 kimi göstərilir.

Bu əmsallar verilənlər dəstindəki xətti əlaqələri göstərir; təkbaşına bir xüsusiyyətin ürək xəstəliyinə səbəb olduğunu sübut etmir. Xüsusilə kateqorik dəyişənlər label encoding ilə sayıya çevrildiyi üçün Pearson korrelyasiya əmsallarının klinik mənası kodlaşdırma formasından müstəqil səbəbli təsir kimi şərh edilməməlidir.

PCA niyə istifadə edildi?

Principal Component Analysis həm hesablama yükünü azaltmaq, həm də korrelyasiyalı başlanğıc dəyişənlərini daha az sayda ortogonal komponentə çevirmək məqsədilə istifadə edilmişdir. Tədqiqatın açıqlanan varyans qrafikinə görə ilk 9 əsas komponent ümumi varyansın təxminən %90-ını qoruyur. Buna görə sonrakı kvant kodlaşdırma və təsnifləndirmə mərhələlərində doqquz komponent istifadə edilmişdir.

PCA burada klinik dəyişənlərin birbaşa şərh edilə bilməsini azaldarkən kvant dövrələrinə ötürüləcək ölçünü məhdudlaşdırır. Nəticə olaraq modelin kvant qatı artıq birbaşa “xolesterin”, “yaş” və ya “MaxHR” üzərində deyil, bunların xətti birləşmələrindən ibarət əsas komponentlər üzərində işləyir.

Beş kvant xüsusiyyət xəritəsi arasındakı fərq nədir?

Angle Encoding (AE), hər klassik girişi bir qubit dönüş bucağına uyğunlaşdırır. Mənbədə əsas ifadə belə verilmişdir:

\[ |\psi_{AE}(x)\rangle=U_{AE}(x)|0\rangle^{\otimes n} \]

\[ U_{AE}(x)=\prod_{i=1}^{n}R_y(s(x_i)) \]

Burada \(x_i\) klassik xüsusiyyət dəyərini, \(s(\cdot)\) dəyəri uyğun bucaq aralığına miqyaslayan funksiyanı, \(R_y\) isə Y oxu ətrafındakı tək-qubit dönüşünü təmsil edir. Dövrənin əsas qapı mürəkkəbliyi tədqiqatda \(O(n)\) kimi ifadə edilir. Araşdırmanın ən yüksək doğruluğu bu kodlaşdırma ilə əldə edilmişdir.

Amplitude Encoding (AmE), xüsusiyyətləri qubitlərin dönüş bucaqları yerinə birbaşa kvant vəziyyətinin amplitudalarına yerləşdirir:

\[ |\psi_{AmE}(x)\rangle=\sum_{k=0}^{2^n-1}\alpha_k|k\rangle \]

Mənbədə \(0\leq k<d\) üçün \(\alpha_k=x_k/\|x\|_2\), qalan vəziyyətlər üçün isə sıfır kimi müəyyən edilir. AmE-nin üstünlüyü daha çox klassik xüsusiyyəti daha az qubitin vəziyyət amplitudalarında təmsil edə bilməsidir; mənfi tərəfi isə ümumi state preparation əməliyyatının mövcud kvant avadanlığında bahalı ola bilməsidir.

Basis Encoding (BE), eşikləşdirilmiş ikili xüsusiyyət vektorunu birbaşa computational basis vəziyyətinə çevirir:

\[ |\psi_{BE}(b)\rangle= \left(\prod_{i=1}^{n}X_i^{b_i}\right) |0\rangle^{\otimes n} =|b_1b_2\ldots b_n\rangle \]

Bu yanaşma yalnız X qapıları tələb etdiyi üçün tədqiqatda çox sığ və aşağı maliyyətli kodlaşdırma kimi qiymətləndirilmişdir. Ancaq davamlı xüsusiyyətlərin ikili hala gətirilməsi informasiya itkisi yarada bilər.

Pauli Encoding (PE), xüsusiyyətləri ardıcıl Pauli dönüşləri ilə kodlaşdırır:

\[ |\psi_{\mathrm{Pauli}}(x)\rangle= \left( \prod_{i=1}^{n} R_z(\theta_i^{(z)}) R_x(\theta_i^{(x)}) \right)|0\rangle^{\otimes n} \]

Tək bir oxa əsaslanan Angle Encoding-ə görə daha zəngin trigonometrik təmsil yaratmağı məqsəd qoyur. Tədqiqatda sığ dövrə xüsusiyyətini böyük ölçüdə qoruyarkən sadə qubitlərarası əlaqələrin əlavə entanglement qatları ilə təmsil edilə biləcəyi bildirilir.

ZZ Feature Map (ZZFM) isə xüsusiyyətlərin həm təkil, həm də ikili qarşılıqlı təsirlərini kvant fazasına kodlaşdırır:

\[ |\psi_{ZZ}(x)\rangle= \exp\left( i\gamma_1\sum_{i=1}^{n}x_iZ_i+ i\gamma_2\sum_{1\leq i<j\leq n}x_ix_jZ_iZ_j \right) \]

Buradakı \(x_ix_j\) hasil terminləri ikinci dərəcəli xüsusiyyət qarşılıqlı təsirlərinin kvant vəziyyətinə birbaşa ötürülməsini təmin edir. Bunun bedeli isə AE və BE-yə görə daha çox entangling gate və daha yüksək dövrə maliyyətidir.

QSVM necə işləyir?

Quantum Support Vector Machine (QSVM), klassik SVM-in qərar mexanizmini qoruyarkən nümunələr arasındakı oxşarlığı klassik kernel yerinə kvant vəziyyətləri üzərindən hesablayır. Tədqiqatda kvant kernel belə müəyyən edilmişdir:

\[ K(x,z)=|\langle\psi(x)|\psi(z)\rangle|^2 \]

Burada iki xəstənin PCA sonrası xüsusiyyətləri əvvəlcə seçilən kvant xüsusiyyət xəritəsi ilə \(|\psi(x)\rangle\) və \(|\psi(z)\rangle\) vəziyyətlərinə kodlaşdırılır. Kernel bu iki vəziyyət arasındakı fidelity oxşarlığıdır. SVM qərar funksiyası isə:

\[ f(x)=\operatorname{sign} \left( \sum_i \alpha_i y_iK(x_i,x)+b \right) \]

şəklindədir. Buna görə tədqiqatdakı “kvant” töhfəsi əsasən xüsusiyyətlərin kvant məkanındakı təmsilindən və kernel hesabından gəlir; son təsnifləndirmə məntiqi klassik SVM çərçivəsini istifadə edir.

Digər kvant təsnifləndiriciləri necə qurulmuşdur?

QKNN, klassik K-nearest neighbor məntiqini qoruyarkən nümunələr arasındakı yaxınlığı quantum-state fidelity ilə hesablayır. QRF, klassik random forest fikrini shallow variational quantum “trees” ilə bir bagging toplusuna çevirir. VQC isə tədqiqatda doqquz qubit üzərində bir variational qat istifadə edir; hər qubit üzərində \(R_Y\) və \(R_Z\) parametrik dönüşlərindən sonra xətti CNOT entanglement zənciri tətbiq olunur.

Tədqiqat nəyi dəstəkləyir, nəyi dəstəkləmir?

Dəstəklədiyi nəticə: Bu verilənlər və simulyasiya şərtlərində kvant xüsusiyyət xəritəsinin seçimi təsnifləndirmə performansını nəzərəçarpan şəkildə dəyişdirmiş; beş xüsusiyyət xəritəsi arasında AE ilə birləşdirilən QSVM ən yüksək ümumi doğruluğu vermişdir. Bəzi digər kombinasiyalar isə fərqli ölçütlərdə önə çıxmışdır; məsələn, QSVM+PE %97,06 həssaslıq, VQC+BE isə %89,02 spesifiklik və %90,43 precision bildirmişdir.

Dəstəkləmədiyi nəticə: Tədqiqat kvant maşın öyrənməsinin ürək xəstəliyi diaqnozunda klassik maşın öyrənməsinə ümumilikdə üstün olduğunu sübut etmir. Tədqiqat real kvant avadanlığında yürüdülməmişdir, prospektiv klinik tədqiqat deyil, diaqnostik cihaz doğrulaması ehtiva etmir və əldə edilən modelin klinik qərar vermədə təhlükəsiz şəkildə istifadə edilə biləcəyini göstərmir.

Türkiyə baxımından nə ifadə edir?

Tədqiqat Türkiyədə aparılmamışdır və Türkiyədəki xəstə populyasiyasına məxsus məlumat istifadə etmir. Yaş paylanması, xəstəlik prevalansı, klinik ölçüm tətbiqləri və populyasiya xüsusiyyətləri dəyişə biləcəyi üçün bildirilən performans dəyərləri Türkiyədəki səhiyyə qurumlarına birbaşa köçürülə bilməz. Türkiyə kontekstində istifadə edilməzdən əvvəl yerli xəstə məlumatları üzərində müstəqil doğrulama, kalibrasiya, klinik performans və xəta analizi tələb olunur.

Tədqiqatın Metodu və Nəticələri

Ucdan-uca araşdırma axını

1. 918 xəstə qeydi və 11 klinik/fizioloji xüsusiyyəti ehtiva edən verilənlər dəsti götürüldü.
2. Məlumat təmizlənməsi aparıldı; kateqorik dəyişənlər label encoding ilə sayısallaşdırıldı.
3. Paylanmalar histogram, density plot, violin plot və Pearson korrelyasiya istilik xəritəsi ilə araşdırıldı.
4. PCA tətbiq edildi və ümumi varyansın təxminən %90-ını açıqlayan 9 əsas komponent seçildi.
5. Verilər AE, AmE, BE, PE və ZZFM üsulları ilə kvant vəziyyətlərinə kodlaşdırıldı.
6. QSVM, QKNN, QRF və VQC təsnifləndiriciləri fərqli xüsusiyyət xəritələri ilə qiymətləndirildi.
7. Performans beş qatlı çarpaz doğrulama ilə; accuracy, specificity, sensitivity, precision, F1-score, Cohen's kappa və ROC-AUC üzərindən ölçüldü.
8. Ən yaxşı QSVM+AE modeli həmçinin ikinci bir ürək xəstəliyi verilənlər dəstində qiymətləndirildi.

Beş xüsusiyyət xəritəsində hansı kombinasiya önə çıxdı?

Aşağıdakı dəyərlər mənbə tədqiqatdakı Cədvəl 3–7 və Şəkil 13-də hər kodlaşdırma yanaşması üçün önə çıxan konfiqurasiyaları göstərir. Dəyərlər eyni araşdırmadakı nəticələrdən alınmış olsa da hər konfiqurasiyanın fərqli qərar geometriyası vardır; tək bir performans metriyi klinik üstünlüyü təkbaşına müəyyən etmir.

Bu müqayisədə QSVM + AE ən yüksək ümumi accuracy dəyərini verdiyi halda QSVM + PE-nin sensitivity dəyəri daha yüksəkdir. VQC + BE isə ən yüksək specificity və precision dəyərlərindən bəzilərini verir. Buna görə “ən yaxşı” tərifi seçilən klinik xəta maliyyətinə görə dəyişə bilər; məsələn, xəstəliyi qaçırmağın və sağlam şəxsi yanlış pozitiv təsnif etməyin təsirləri eyni deyil.

QSVM + AE-nin beş qatlı çarpaz doğrulaması

Mənbənin normallaşdırılmış qarışıqlıq matrisi xəstəlik olmayan sinfin təxminən %83-ünün və xəstəlik olan sinfin təxminən %92-sinin doğru təsnif edildiyini göstərir. ROC qrafikinin AUC dəyəri 0,93-dür. Bu performans eyni verilənlər və simulyasiya iş axınındakı sinif ayırma qabiliyyətini göstərir; klinik həssaslıq və ya spesifiklik doğrulaması kimi şərh edilməməlidir.

Klassik SVM ilə müqayisədə fərq nə qədərdir?

Tədqiqatçılar yekun QSVM+AE modelini eyni qiymətləndirmə mühitindəki klassik SVM kernel-ləri ilə də müqayisə etmişdir. Şəkil 16-da doğruluq dəyərləri xətti SVM üçün %86,97, polinom kernel üçün %88,5, RBF kernel üçün %89,5 və QSVM üçün %90,26 kimi verilmişdir.

Bu nəticə QML konfiqurasiyasının tədqiqatdakı ən güclü klassik SVM versiyasından sayısal olaraq daha yüksək doğruluq verdiyini göstərir. Lakin tədqiqat bu kiçik performans fərqi üçün statistik əhəmiyyətlilik testi və ya güvən aralığına əsaslanan üstünlük analizi təqdim etmir. Buna görə nəticə “kvant maşın öyrənməsi klassik üsuldan ümumilikdə üstündür” şəklində genişləndirilə bilməz.

İkinci verilənlər dəstindəki doğrulama nə göstərdi?

QSVM+AE modeli, 1000 xəstə qeydi və 15 xüsusiyyəti ehtiva edən başqa bir ürək xəstəliyi verilənlər dəsti üzərində də qiymətləndirilmişdir. Tədqiqatın Şəkil 17-sində bu xarici qiymətləndirmə üçün accuracy 0,8969, specificity 0,8561, sensitivity 0,9118, precision 0,8884, F1-score 0,8999, kappa 0,7705 və AUC 0,9186 kimi hesabat verilir.

İkinci verilənlər dəstindəki performans modelin tamamilə tək bir başlanğıc məlumat bölməsinə bağlı olmadığını düşündürən əlavə testdir. Bununla birlikdə mənbədə bu doğrulamanın prospektiv klinik tədqiqat, fərqli xəstəxanalardan müstəqil xəstə kohortu və ya real kvant avadanlığı testi olduğu bildirilmir.

Kvant dövrə maliyyətləri

Bu güc maliyyətləri fiziki kvant prosessorunda ölçülmüş enerji sərfiyyatı deyil. Tədqiqatçılar bütün eksperimentlərin simulyasiyada aparıldığını və enerji qiymətləndirilməsinin yalnız nisbi, keyfiyyət xarakterli hesablama maliyyəti göstəricisi olduğunu açıq şəkildə bildirirlər.

Real kvant kompüteri niyə vacib növbəti testdir?

Simulyatorda məntiqi qubitlər ideallaşdırılmış şərtlərdə istifadə edilə bilər. Fiziki kvant avadanlığında isə qubit bağlantı xəritəsi, əlavə routing qapıları, transpilation, gate error, readout error, calibration dəyişkənliyi və decoherence dövrə davranışını dəyişdirə bilər. Tədqiqatda bu təsirlərin heç biri benchmark işlem xəttinə daxil edilməmişdir.

Buna görə AE, BE və PE dövrələrinin “near-term hardware” baxımından ümidverici olduğu qiymətləndirməsi bir avadanlıq ölçümü deyil, dövrə strukturuna əsaslanan keyfiyyət çıxarımıdır. Real NISQ avadanlığında eyni doğruluqların qorunub-qorunmayacağı bu araşdırma ilə müəyyən edilməmişdir.

Mənbə daxilindəki mühüm uyğunsuzluqlar

Precision uyğunsuzluğu: Xülasə QSVM+AE precision dəyərini %88,89 kimi verir. Buna qarşılıq Cədvəl 3, Şəkil 13 və beş qatlı nəticələrin ortalaması 0,8739, yəni %87,39-dur. İki dəyər eyni metrik üçün uyğun gəlmir. Bu məqalədə ətraflı nəticə cədvəllərindəki 0,8739 dəyəri istifadə edilmiş, xülasə dəyərinin fərqli olduğu ayrıca bildirilmişdir.

Qubit sayı uyğunsuzluğu: Amplitude Encoding izahı \(n=\lceil\log_2d\rceil\) qubit lazım olduğunu söylədiyi halda PCA-dan sonra \(d=9\) xüsusiyyət istifadə edilir. Buna qarşılıq metod bölməsi “bu araşdırmada bütün eksperimentlərdə 9 qubit istifadə edilmişdir” ifadəsini ehtiva edir və dərhal sonra 9 komponentin “əksər kodlaşdırma strategiyasında” 9 qubitə uyğunlaşdırıldığını bildirir. Tədqiqat AmE-nin praktikada dəqiq neçə qubitlə yürüdüldüyünü bu iki ifadə arasında açıq şəkildə uzlaşdırmır.

Ümumi üstünlük ifadəsi: Xülasə nəticələrin klassik state-of-the-art üsullardan üstün olduğunu ifadə etdiyi halda məqalənin öz ədəbiyyat müqayisəsində %97,06 və %99,96 doğruluq bildirən əvvəlki tədqiqatlar vardır. Nəticə bölməsində isə müəlliflər daha ehtiyatlı şəkildə tapıntıların klassik ML qarşısında ümumi üstünlüyün sübutu kimi şərh edilməməli olduğunu açıq şəkildə bildirirlər. Bu ikinci sərhəd elmi şərh baxımından əsas götürülməlidir.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: A Comparative Study of Quantum Feature Maps and Quantum Classifiers for Heart Disease Prediction

Müəlliflər: Muhammad Minoar Hossain; Md. Hasibul Hassan Himal; Arslan Munir.

Bərabər birinci/bərabər töhfə: Mənbədə bildirilmir.

Məsul müəllif: Arslan Munir.

Qurumlar: Department of Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, Florida, ABŞ; Department of Computer Science and Engineering, Bangladesh University, Dhaka, Banqladeş.

Mənbə növü: Rəyli tədqiqat məqaləsi; simulyasiya əsaslı kvant maşın öyrənməsi və verilənlər analizi tədqiqatıdır. Prospektiv klinik tədqiqat deyil.

Jurnal: AI.

Nəşriyyat: MDPI, Basel, İsveçrə.

Biblioqrafik qeyd: AI, 2026, 7(5), Məqalə 180.

DOI: 10.3390/ai7050180.

Göndərilmə / reviziya / qəbul / nəşr: 25 Fevral 2026 / 16 May 2026 / 18 May 2026 / 21 May 2026.

Rəsmi nəşr bağlantısı: DOI 10.3390/ai7050180 üzərindən MDPI-nin rəsmi məqalə qeydi.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Araşdırma xarici maliyyələşdirmə almamışdır.

Etik komitə: Institutional Review Board Statement “Not applicable” kimi bildirilmişdir.

Məlumatlandırılmış razılıq: “Not applicable” kimi bildirilmişdir.

Veri əlçatanlığı: Əsas ürək xəstəliyi verilənlər dəstinin Kaggle üzərində açıq şəkildə əlçatan olduğu bildirilir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını bəyan etmişdir.

Süni intellektdən istifadə bəyanı: Müəlliflər məqalənin müxtəlif bölmələrindəki ingilis dilində ifadənin aydınlığını və dil keyfiyyətini yaxşılaşdırmaq məqsədilə süni intellekt əsaslı söhbət köməkçilərindən yararlandıqlarını və bütün müəlliflərin bu bəyanı nəzərdən keçirib təsdiqlədiyini bildirirlər.

Müəllif töhfələri: Konseptuallaşdırma M.M.H. və A.M.; metodologiya M.M.H. və A.M.; doğrulama M.H.H.H. və A.M.; formal analiz M.H.H.H. və A.M.; araşdırma A.M. və M.M.H.; resurslar M.H.H.H. və A.M.; ilk qaralama M.H.H.H. və M.M.H.; nəzərdən keçirmə və redaktə A.M. və M.H.H.H.; vizuallaşdırma M.M.H.; məsləhətçilik A.M. tərəfindən yürüdülmüşdür.

Elmi şərh sərhədi

Bu tədqiqat ürək xəstəliyi diaqnozu qoyan klinik kvant cihazının qiymətləndirilməsi deyil. İstifadə edilən 918 qeydli verilənlər dəsti və ikinci 1000 qeydli verilənlər dəsti üzərində yürüdülən hesablama əsaslı təsnifləndirmə eksperimentidir. Bütün kvant nəticələri simulyator mühitindən gəlir. Fiziki qubitlər, real quantum backend, hardware noise, decoherence, coupling constraints, routing overhead və readout error birbaşa test edilməmişdir.

QSVM+AE-nin %90,26 doğruluğu və 0,93 AUC dəyəri bu araşdırmanın verilənlər dəsti, preprocessing, PCA, quantum feature map və cross-validation şərtlərinə aiddir. Bu dəyərlər real xəstələrdə %90,26 diaqnostik uğur zəmanəti anlamına gəlmir.

Xüsusilə tədqiqatın klassik RBF-SVM müqayisəsi QSVM lehinə sayısal fərq göstərsə də, bu fərq üçün hesabat verilmiş statistik üstünlük testi yoxdur. Buna görə araşdırma kvant maşın öyrənməsinin klassik maşın öyrənməsinə ümumi üstünlüyünün sübutu kimi təqdim edilməməlidir.