Кванттан шыктанган радиомика — медициналык сүрөттөрдөн алынган классикалык сандык радиомикалык өзгөчөлүктөрдү чыныгы кванттык жабдыкты колдонбостон, кванттык эсептөөлөрдөн шыктанган сызыктуу эмес өзгөчөлүк өзгөртүүлөрү аркылуу кеңейтүүчү машина үйрөнүүсү ыкмасы. Бул изилдөө глиобластома бейтаптарынын көп-модалдуу магниттик-резонанстык сүрөттөрүнөн алынган 75 радиомикалык өзгөчөлүктү 715 өлчөмдүү кеңейтилген өзгөчөлүк мейкиндигине өзгөртүп, бул көрсөтүлүштү ensemble классификатору менен бириктирүү аркылуу 12 айлык жашап калуу чегине жараша жогорку коркунуч жана төмөн коркунуч класстарына бөлөт.

Изилдөө Brain Tumor Segmentation 2020 (BraTS 2020) маалымат топтомундагы 494 глиобластома бейтабын колдонгон. Ар бир бейтап үчүн T1, контрасттуу T1 (T1ce), T2 жана FLAIR MRI ырааттуулуктары бааланган. Маалымат топтому 295 бейтап окутуу (%60), 74 бейтап валидация (%15) жана 125 бейтап тест (%25) болуп бөлүнгөн. Изилдөөнүн негизги акыркы чекити 12 айлык overall survival: жашап калуусу 12 айдан кыска бейтаптар жогорку коркунучтуу, 12 ай же андан узак жашаган бейтаптар төмөн коркунучтуу деп классификацияланган.

Булакта Quantum Feature Transform (QFT) деп аталган өзгөртүү:

\[ \Phi(x)=[x;Q(x);E(x);S(x)] \]

түрүндө берилет. Баштапкы вектор:

\[ x\in\mathbb{R}^{75} \]

болуп, өзгөртүүдөн кийин:

\[ \Phi(x)\in\mathbb{R}^{715} \]

өлчөмдүү көрсөтүлүш алынат. Бул жерде \(x\) баштапкы радиомикалык өзгөчөлүктөрдү, \(Q(x)\) өзгөчөлүк жуптарынын quadratic interactions-ын, \(E(x)\) Gaussian exponential encoding-ди жана \(S(x)\) statistical aggregates компонентин билдирет.

Бул ыкма чыныгы quantum computer үстүндө иштетилген эмес. Авторлор ыкманын quantum-inspired экенин жана стандарттык классикалык компьютерлерде NumPy жана scikit-learn менен колдонууга болорун ачык белгилешет. Бир бейтаптын өзгөчөлүктөрүн өзгөртүү стандарттык CPUда болжол менен 2–3 мүнөт талап кылары кабарланган.

Тест топтомунда булак билдирген көрсөткүчтөр:

• Accuracy: %96,80,
• 95% confidence interval: %94,92–%98,68,
• AUC-ROC: %99,97,
• Precision: %100,
• Sensitivity: %93,55,
• Specificity: %100,
• F1-score: %96,67.

125 бейтаптан турган тест тобунда 63 төмөн-коркунучтуу бейтаптын баары туура классификацияланган, 62 жогорку-коркунучтуу бейтаптын 58и туура классификацияланган жана 4 жогорку-коркунучтуу бейтап жаңылыш түрдө төмөн-коркунучтуу деп божомолдонгон. Демек, изилдөө нөл false-positive билдирет, бирок төрт false-negative камтыйт.

Бул натыйжалар жогорку ажыратуу көрсөткүчүнө ишарат кылганы менен, клиникалык чечмелөө чеги маанилүү. Изилдөөнүн өз Discussion бөлүмүндө модель абсолюттук клиникалык чечим кабыл алуучу катары колдонулбашы, натыйжалар башка клиникалык жана молекулалык маалыматтар менен бирге бааланышы керектиги айтылат. Ошондой эле “external validation” деген аталышка карабастан, 125 бейтаптык акыркы тест тобу BraTS 2020 маалымат топтомунун өзүнүн ички бөлүнүшүнөн алынган; толугу менен көз карандысыз non-BraTS оорукана когортунда prospective же реалдуу жашоо валидациясы жүргүзүлгөн эмес.

Бул макаладагы “квант” деген түшүнүк чыныгы кванттык компьютер колдонулганын билдиреби?

Жок. Изилдөөдө кванттык процессор, qubit, quantum gate же чыныгы quantum circuit иштетилген эмес; авторлор “Quantum Feature Transform” деп атаган ыкма кванттык эсептөөлөрдөгү жогорку өлчөмдүү жана сызыктуу эмес көрсөтүү идеясынан шыктанган, бирок толугу менен классикалык компьютерде эсептелүүчү өзгөчөлүк инженериясы ыкмасы.

Бул айырма макаланы туура түшүнүү үчүн негизги мааниге ээ.

Чыныгы quantum machine learning колдонмосунда айрым эсептөөлөр qubit-терде quantum gates аркылуу жүргүзүлүшү мүмкүн. Бул изилдөөдө болсо өзгөртүү:

• NumPy менен вектордук операциялар,
• scikit-learn менен Principal Component Analysis (PCA),
• классикалык machine-learning классификаторлору

аркылуу аткарылган.

Ошондуктан изилдөө көрсөткөн нерсе:

“Кванттык компьютер глиобластома бейтаптарынын жашап калуусун %96,80 тактык менен божомолдоду.”

эмес.

Булакка так ылайык билдирүү:

“Кванттан шыктанган классикалык өзгөчөлүк өзгөртүүсү менен кеңейтилген радиомикалык маалыматтарда иштеген ensemble модель изилдөөнүн BraTS 2020 тесттик бөлүнүшүндө %96,80 accuracy көрсөткүчүнө жетти.”

Радиомика деген эмне?

Радиомика — MRI, CT же PET сыяктуу медициналык сүрөттөрдөгү шишиктин формасы, интенсивдүүлүк бөлүштүрүлүшү жана ткандын гетерогендүүлүгү сыяктуу визуалдык өзгөчөлүктөрдү сандык өзгөрмөлөргө айландыруучу эсептөөчү сүрөт талдоо ыкмасы.

Радиолог MRI сүрөтүн караганда шишиктин:

• өлчөмүн,
• формасын,
• чек арасынын тегиз эместигин,
• контраст топтоосун,
• некроздук аймактарын,
• шишүүнү

көз менен баалай алат.

Радиомика болсо ушуга окшош өзгөчөлүктөрдү математикалык өзгөрмөлөргө айландырууга аракет кылат.

Мисалы:

• tumor volume → көлөм,
• sphericity → шишиктин шар формасына канчалык жакын экени,
• surface area → бет аянты,
• entropy → voxel интенсивдүүлүк бөлүштүрүлүшүндөгү тартипсиздиктин өлчөмү,
• GLCM өзгөчөлүктөрү → коңшу voxel интенсивдүүлүктөрүнүн мейкиндиктик мамилелери

сыяктуу чоңдуктар машина үйрөнүүсү моделине киргизүүчү маалымат боло алат.

Глиобластома эмне үчүн татаал божомолдоо маселеси?

Глиобластома чоңдордо эң агрессивдүү баштапкы мээ залалдуу шишиктеринин бири. Булак учурдагы дарылоо шарттарында median survival болжол менен 12–15 ай экенин билдирет. Бирок бардык бейтаптардын клиникалык жүрүшү бирдей эмес.

Бейтаптар арасында:

• шишик көлөмү,
• локализация,
• инфильтрация деңгээли,
• контраст enhancement,
• молекулалык биология,
• дарылоого жооп

боюнча олуттуу гетерогендүүлүк болушу мүмкүн.

Ошондуктан орточо жашап калуу гана эмес, жеке коркунуч классификациясы да клиникалык жактан маанилүү.

Модель кайсы клиникалык суроого жооп берүүгө аракет кылат?

Изилдөөнүн классификация маселеси:

\[ \text{Survival}<12\ \text{ay} \Rightarrow \text{yüksek risk} \]

жана:

\[ \text{Survival}\geq12\ \text{ay} \Rightarrow \text{düşük risk} \]

түрүндө аныкталган.

Ошондуктан модель exact survival time божомолун бербейт. Мисалы, “бейтап 17,3 ай жашайт” деген continuous survival prediction чыгарбайт.

Модель 12 айлык чекке карата гана binary risk classification жүргүзөт.

BraTS 2020 маалымат топтому изилдөөдө кантип колдонулган?

Изилдөөдө 494 глиобластома бейтаптын көп борборлуу BraTS 2020 сүрөттөрү колдонулган; бейтаптар баштапкы өзгөчөлүк баскычында 295 окутуу, 74 валидация жана 125 тест бейтап болуп бөлүнүп, модель жөндөөлөрүнөн тест тобуна маалымат агып кетпөөсү көздөлгөн.

Эмне үчүн төрт MRI ырааттуулугу чогуу колдонулат?

T1, T1ce, T2 жана FLAIR бир эле биологиялык маалыматты кайталаган төрт сүрөт эмес. Алар ар башка ткандын өзгөчөлүктөрүн баса белгилейт.

Изилдөөнүн негизги ыкмасы бул төрт модалдуулуктагы complementary information-ды бир радиомикалык feature representation ичинде бириктирүү болуп саналат.

Сегментация кайсы аймактарды камтыйт?

Булакта адистер тарабынан үч негизги tumor sub-region аныкталган:

• enhancing tumor,
• peritumoral edema,
• necrotic core.

Булактагы Figure 2 бул аймактарды ар башка түстөр менен көрсөтөт. Бул радиологиялык сүрөттөр реалдуу бейтаптардын булак маалыматынан алынган визуалдык далил болгондуктан, Verianla жасалма MRI сүрөтүн жараткан эмес.

Булактагы MRI-modality шайкешсиздиги

Макаланын негизги метод сүрөттөмөсү жана Table 3 төрт MRI ырааттуулугун:

T1, T1ce, T2 жана FLAIR

деп берет.

Бирок inclusion-criteria абзацындагы “full multimodal MRI data” түшүндүрмөсүндө T1 post-contrast, T2-weighted, FLAIR жана diffusion-weighted imaging деген сөздөр да бар.

Diffusion-weighted imaging изилдөөнүн негизги төрт-модалдуу QFT pipeline-ында кайра колдонулбайт. Булак бул айырманын себебин түшүндүрбөйт. Ошондуктан diffusion-weighted imaging-ди моделдин ырасталган бешинчи кирүү каналы катары кабыл алуу туура эмес.

75 радиомикалык өзгөчөлүк кантип түзүлгөн?

Булактын негизги өзгөчөлүк тизмесинде 75 өзгөрмө беш үй-бүлөгө бөлүнөт: shape, first-order statistics, GLCM, GLRLM жана GLSZM; бул топтор шишик геометриясын, voxel интенсивдүүлүк бөлүштүрүлүштөрүн жана ткандын гетерогендүүлүгүн сандык түрдө чагылдырууга багытталган.

GLCM деген эмне?

Gray Level Co-occurrence Matrix (GLCM) — белгилүү мейкиндиктик мамиледеги эки voxel интенсивдүүлүк мааниси чогуу канчалык көп кездешерин эсептеген texture representation.

GLCM негизиндеги өзгөчөлүктөр шишиктин орточо жарыктыгын гана эмес, сүрөттөгү spatial heterogeneity-ни да өлчөөгө аракет кылат.

GLRLM деген эмне?

Gray Level Run Length Matrix (GLRLM) белгилүү багытта бирдей же окшош боз деңгээлдеги ырааттуу voxel топторунун узундуктарын талдайт.

Ошондуктан сүрөттүн көбүрөөк бир тектүү же бөлүкчөлүү ткандын түзүлүшүнө ээ экендиги тууралуу маалымат бере алат.

GLSZM деген эмне?

Gray Level Size Zone Matrix (GLSZM) бирдей боз деңгээлдеги байланышкан voxel аймактарынын өлчөмдөрүн баалайт.

GLRLM багыттуу run түзүлүштөрүн изилдесе, GLSZM connected zones-га көңүл бурат.

Өзгөчөлүктөрдүн санындагы булак ичиндеги шайкешсиздик

Булак алгач 75 өзгөчөлүктү:

\[ 14+18+22+16+5=75 \]

түрүндө аныктайт.

Бирок бир нече абзацтан кийин 75-dimensional vector:

“63 texture/first-order features across modalities + 12 shape features”

деп сүрөттөлөт.

Бул түшүндүрмө мурунку 14 shape саны менен дал келбейт.

Булак айырма feature-selection, modality aggregation же башка эсептөө ыкмасынан чыкканын түшүндүрбөйт. Ошондуктан Verianla бул айырманы өз божомолу менен чечпейт.

Сүрөттөр модель алдында кантип алдын ала иштетилген?

Булак scanner жана acquisition айырмаларын азайтуу үчүн tumor ROI ичинде z-score normalization, N4 bias-field correction жана intensity discretization колдонулганын; андан кийин төрт MRI модалдуулугунун feature vectors-лору бириктирилгенин билдирет.

Z-score normalization

Z-score normalization адатта өзгөчөлүктүн орточо маанисин нөлгө, standard deviation-ын бирге жакындатуу үчүн колдонулат.

Концептуалдык формасы:

\[ z=\frac{x-\mu}{\sigma} \]

түрүндө.

Бул теңдеме изилдөөнүн жаңы табылгасы эмес, булакта “mean = 0, standard deviation = 1” деп берилген preprocessing кадамынын математикалык түшүндүрмөсү.

Бул жерде:

• \(x\): баштапкы маани,
• \(\mu\): тиешелүү бөлүштүрүүнүн орточо мааниси,
• \(\sigma\): standard deviation,
• \(z\): нормалдаштырылган маани.

N4 bias-field correction

MRIда coil sensitivity жана башка acquisition таасирлери сүрөт боюнча жай өзгөргөн intensity inhomogeneity жаратышы мүмкүн. N4 bias correction ушул төмөн-жыштыктагы intensity variation-ды азайтуу үчүн колдонулат.

Intensity discretization

Булак:

• T1/T1ce үчүн fixed bin width: 25 HU,
• T2/FLAIR үчүн fixed bin width: 5 HU

деп билдирет.

Бул жерде булакка тактык жагынан көңүл бурулуучу маанилүү жагдай: MRI intensity маанилери физикалык жактан CTдеги Hounsfield Unit сыяктуу стандарттык HU шкаласына ээ эмес. Бирок макала бул бирдикти “HU” деп жазат. Verianla муну үнсүз түрдө башка бирдикке өзгөртпөйт; булакта дал ушундай берилгенин белгилейт.

Quantum Feature Transform 75 өзгөчөлүктү 715 өлчөмгө кантип чыгарат?

QFT баштапкы 75 өзгөчөлүк векторун сактап, feature-feature quadratic products, ар бир өзгөчөлүктүн Gaussian exponential өзгөртүүсү жана булакта statistical aggregates деп аныкталган кошумча өзгөчөлүктөрдү бириктирип, 715 өлчөмдүү классикалык feature representation түзөт.

Булактын негизги теңдемеси:

\[ \Phi(x)=[x;Q(x);E(x);S(x)] \]

түрүндө.

Бул жерде:

• \(x\): 75 баштапкы радиомикалык өзгөчөлүк,
• \(Q(x)\): quadratic interaction representation,
• \(E(x)\): exponential encoding,
• \(S(x)\): statistical aggregates.

Булак берген өлчөм бөлүштүрүүсү:

Жалпы:

\[ 75+300+75+265=715. \]

Quadratic encoding эмне кылат?

75 өзгөчөлүктүн ар башка жуптары:

\[ x_i x_j \]

түрүндө көбөйтүлүп, экинчи тартиптеги interactions түзүлөт.

75 ар башка өзгөчөлүктүн өзү менен эмес, бири-биринен айырмалуу жуптарынын саны:

\[ \binom{75}{2} = \frac{75\times74}{2} = 2775. \]

Булак да 2.775 unique feature pair деп билдирет.

Бул quadratic terms, мисалы, эки өзгөчөлүк өз-өзүнчө алсыз, бирге болгондо күчтүү prognostic information алып жүргөн nonlinear мамилелерди моделдөөгө жардам бериши мүмкүн.

Бирок 2.775 жаңы өзгөрмөнү түз колдонуу 295 training patient бар маалымат топтомунда өтө жогорку dimensionality жаратышы мүмкүн.

Ошондуктан PCA колдонулган.

PCA эмне үчүн колдонулган?

Principal Component Analysis correlated high-dimensional variables-ды variance-нын көп бөлүгүн сактаган азыраак сандагы orthogonal component-терге өзгөртөт.

Булак quadratic feature space-тен:

\[ 300 \]

principal component сактаган.

Бул 300 компонент quadratic feature space-теги cumulative variance-нын:

\[ 95\% \]

бөлүгүн түшүндүрөрү көрсөтүлгөн.

PCA training data үстүндө гана fit кылынган. Validation же test маалыматтары PCA параметрлерине таасир бербеши data leakage коркунучун азайтуу үчүн маанилүү.

Exponential encoding деген эмне?

Ар бир өзгөчөлүк үчүн булакта:

\[ E_i(x) = \exp\left( -\frac{x_i^2}{2\sigma^2} \right) \]

формасы колдонулат.

Бул жерде:

• \(x_i\): нормалдаштырылган тиешелүү feature,
• \(\sigma\): Gaussian bandwidth,
• \(E_i(x)\): exponential-encoded feature.

Булакта оптималдуу:

\[ \sigma=1.5 \]

деп берилет.

Бул маани training-set ичиндеги nested cross-validation аркылуу validation AUC-ROC-ту максимум кылгандай тандалган.

Функция \(x_i=0\) жакын жерде эң жогорку мааниге ээ. \(|x_i|\) чоңойгон сайын exponential маани сызыктуу эмес түрдө азаят.

Демек, өзгөртүү feature magnitude менен output ортосунда сызыктуу эмес мамиле түзөт.

Statistical aggregate компонентинде эмне бар?

Булак \(S(x)\) үчүн mean, standard deviation, skewness жана kurtosis сыяктуу feature-family statistics эсептелгенин жана жалпы 265 өлчөм бөлүнгөнүн билдирет.

Бирок төрт гана statistics × көрсөтүлгөн feature families эсеби менен 265 саны кантип түзүлгөнүн майда-чүйдөсүнө чейин көрсөтпөйт.

Ошондуктан Verianla:

• 265 маанисин булакта билдирилгендей сактайт,
• бирок булакта жок ички-компонент бөлүштүрүүсүн ойлоп таппайт.

Эмне үчүн бул өзгөртүү “quantum-inspired” деп аталат?

Авторлор өзгөртүүнү feature interactions-ды higher-order жана nonlinear channel space ичинде көрсөткөн “quantum-like representation” деп сүрөттөшөт.

Бирок математикалык операциялар:

• pairwise multiplication,
• PCA,
• Gaussian exponential functions,
• classical statistics

болгондуктан, көрсөткүчтүн жогорулашын чыныгы quantum computational advantage далили катары чечмелөөгө болбойт.

Изилдөөнүн көрсөткөнү — ушул белгилүү quantum-inspired feature engineering pipeline бул маалымат топтомундагы classification performance менен байланыштуу экени.

Ensemble модель кантип түзүлгөн?

Methods Section 2.3 боюнча 715 өлчөмдүү feature space үстүндө Random Forest, Gradient Boosting, Support Vector Machine, Logistic Regression жана XGBoost болуп беш base learner үйрөтүлгөн жана модель ыктымалдыктары оптималдаштырылган салмактар менен soft voting аркылуу бириктирилген.

Random Forest

Gradient Boosting

Support Vector Machine

Logistic Regression

XGBoost

Ensemble салмактары

Салмактардын суммасы:

\[ 0.25+0.22+0.21+0.18+0.14=1.00. \]

Soft voting кантип иштейт?

Ар бир модель бейтаптын жогорку-коркунуч ыктымалдыгы үчүн:

\[ P_m(\mathrm{high}\mid x) \]

чыгарат.

Ensemble probability концептуалдык түрдө:

\[ P_{\mathrm{ens}} = \sum_{m=1}^{M} w_mP_m \]

деп жазылышы мүмкүн.

Бул жерде:

• \(M\): моделдердин саны,
• \(w_m\): тиешелүү моделдин ensemble weight-и,
• \(P_m\): тиешелүү моделдин predicted probability-си.

Булакта non-negative weights суммасы 1 боло тургандай validation set үстүндө оптималдаштырылганы айтылат.

Модель архитектурасы боюнча булак ичиндеги шайкешсиздик

Бул жерде олуттуу булак-ырааттуулук маселеси бар:

• Section 2.3: Random Forest, Gradient Boosting, SVM, Logistic Regression жана XGBoost болуп 5 модель аныктайт.
• Section 2.3 ensemble weights да ошол беш модель үчүн салмак берет.
• Figure 4 сүрөтү болсо “4 models” дегендин алдында XGBoost, Random Forest, Extra Trees жана Gradient Boosting көрсөтөт.
• Figure 6да Extra Trees, Gradient Boosting, Random Forest, XGBoost жана calibrated SVM көрүнөт.
• Figure 6да Logistic Regression жок.

Булак бул айырмалуу модель тизмелери өзүнчө эксперименттик баскычтарга тиешелүүбү же сүрөт/текст шайкешсиздигиби — түшүндүрбөйт.

Ошондуктан Verianla негизги модель архитектурасын Methods Section 2.3төгү explicit аныктамага ылайык түшүндүрөт; Extra Treesти final ensemble-дын тастыкталган алтынчы же альтернативдүү мүчөсү катары кошпойт.

Чечим чеги кантип тандалган?

Methods текстине ылайык validation set үстүндө 0,30дан 0,70ке чейин 0,01 кадам менен чечим чектери текшерилип, accuracyни максимум кылып, ошол эле учурда specificityни %95тен жогору кармаган чек 0,48 деп тандалган; кийин бул чек test setте өзгөртүүсүз колдонулган.

Текшерилген аралык:

\[ 0.30,0.31,\ldots,0.70 \]

түрүндө.

Булак текстинде тандалган threshold:

\[ t=0.48 \]

деп берилет.

Бирок PDFтеги Figure 4 pipeline сүрөтүндө:

“Optimal threshold: 0.85”

деп жазылган.

Бул эки маани бир учурда туура боло албайт жана булак карама-каршылыктын себебин түшүндүрбөйт.

Ошондуктан Verianla:

• негизги метод текстинде Section 2.4төгү 0,48 маанисин колдонот,
• Figure 4төгү 0,85 маанисин көз жаздымда калтырбайт,
• final колдонууда чындап кайсы маани пайдаланылганын булактан тышкары божомолдоп койбойт.

Accuracy, sensitivity, specificity жана AUC-ROC эмнени билдирет?

Бул метрикалар модель каталарынын ар башка түрлөрүн өлчөйт; глиобластома коркунуч классификациясында sensitivity жогорку-коркунуч бейтаптарды табуу жөндөмүн, specificity болсо чындап төмөн-коркунуч бейтаптарды жогорку-коркунуч деп жаңылыш белгилебөө жөндөмүн көрсөтөт.

True Positive жана False Negative

Бул изилдөөнүн класс аныктамасында “positive” классын жогорку-коркунуч деп эсептөөгө болот.

Демек:

• True Positive (TP): чындап жогорку-коркунуч жана модель да жогорку-коркунуч деди,
• False Negative (FN): чындап жогорку-коркунуч, бирок модель төмөн-коркунуч деди.

Test setте:

\[ TP=58 \]

жана:

\[ FN=4. \]

True Negative жана False Positive

• True Negative (TN): чындап төмөн-коркунуч жана модель да төмөн-коркунуч деди,
• False Positive (FP): чындап төмөн-коркунуч, бирок модель жогорку-коркунуч деди.

Test setте:

\[ TN=63 \]

жана:

\[ FP=0. \]

Accuracy

\[ \mathrm{Accuracy} = \frac{TP+TN}{TP+TN+FP+FN}. \]

Бул test setте:

\[ \frac{58+63}{125} = \frac{121}{125} = 0.968 = 96.80\%. \]

Sensitivity

\[ \mathrm{Sensitivity} = \frac{TP}{TP+FN}. \]

Бул изилдөөдө:

\[ \frac{58}{58+4} = \frac{58}{62} \approx93.55\%. \]

Башкача айтканда, 62 чыныгы жогорку-коркунуч бейтаптын 58и туура табылган.

Specificity

\[ \mathrm{Specificity} = \frac{TN}{TN+FP}. \]

Бул жерде:

\[ \frac{63}{63+0} = 100\%. \]

Ошондуктан булак %100 specificity билдирет.

Precision

\[ \mathrm{Precision} = \frac{TP}{TP+FP}. \]

Бул жерде:

\[ \frac{58}{58+0} = 100\%. \]

False-negative rate

\[ \mathrm{FNR} = \frac{FN}{TP+FN} = \frac{4}{62} \approx6.45\%. \]

Клиникалык жактан бул ката өзгөчө маанилүү; анткени жогорку-коркунуч бейтапты төмөн-коркунуч деп баалоо undertreatment коркунучуна алып келиши мүмкүн.

AUC-ROC

ROC curve classification threshold өзгөргөндө sensitivity менен false-positive rate ортосундагы мамилени көрсөтөт.

AUC-ROC болсо ошол ийри сызыктын астындагы аянтты билдирет.

Булак test үчүн:

\[ \mathrm{AUC}=99.97\% \]

деп билдирет.

Бул маани модель test setтеги жогорку-коркунуч жана төмөн-коркунуч топторун абдан күчтүү иреттей аларын көрсөтөт.

Бирок жогорку AUC өзүнчө prospective clinical utility, treatment benefit же calibration кепилдиги эмес.

Моделдин ыктымалдык калибрациясы кантип бааланган?

Изилдөө classification accuracy гана баалабастан; validation setте reliability diagrams жана Brier score колдонуп, predicted probabilities байкалган натыйжалар менен канчалык шайкеш экенин да караган.

Булакта validation-set Brier score:

\[ 0.12 \]

деп берилген.

Binary classification үчүн Brier score концептуалдык түрдө:

\[ \mathrm{Brier} = \frac{1}{N} \sum_{i=1}^{N} (p_i-y_i)^2 \]

түрүндө.

Бул жерде:

• \(p_i\): моделдин predicted probability-си,
• \(y_i\): чыныгы binary outcome,
• \(N\): үлгүлөрдүн саны.

Төмөн Brier score жакшыраак probabilistic calibration билдирет; бирок Brier scoreду абсолюттук чечмелөөдө класс prevalence жана салыштырылган модель маанилүү.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Train, validation жана test бөлүнүшү маалымат агып кетүүсүн кантип алдын алууга аракет кылат?

Булакка ылайык PCA, exponential bandwidth, model hyperparameters жана feature transformation боюнча үйрөнүлгөн параметрлер training setте гана аныкталган; validation set threshold жана ensemble weight калибрациясы үчүн колдонулган, ал эми 125 бейтаптык test set акыркы баалоого чейин бөлүнүп сакталган.

Бөлүнүш:

\[ 494=295+74+125. \]

Training үлүшү:

\[ \frac{295}{494}\approx59.7\%. \]

Validation:

\[ \frac{74}{494}\approx15.0\%. \]

Test:

\[ \frac{125}{494}\approx25.3\%. \]

Булак буларды тегеректелген 60/15/25% деп билдирет.

Nested 5-fold cross-validation

Base-model hyperparameter optimization training set үстүндө nested 5-fold cross-validation менен аткарылган.

Мындан тышкары, модель robustness баалоосу training + validation бирикмеси:

\[ n=370 \]

үстүндө stratified 5-fold cross-validation менен жүргүзүлгөн.

Ensemble cross-validation натыйжасы

Булакта quantum-radiomics ыкмасы үчүн mean cross-validation accuracy:

\[ 97.32\%\pm1.24\% \]

жана range:

\[ 95.89\%-98.65\% \]

деп берилген.

Беш fold:

Булак берген coefficient of variation:

\[ 1.27\% \]

деп билдирилген.

Cross-validation AUC

Орточо:

\[ 99.12\%\pm0.58\% \]

range:

\[ 98.23\%-99.76\%. \]

Figure 6 эмнени көрсөтөт?

Булак Figure 6 quantum ensemble-дын жогорудагы 97,32% орточосун эмес, өзүнчө individual base-model cross-validation accuracies маанилерин көрсөтөт:

Figure 6да mean:

\[ 94.72\% \]

standard deviation:

\[ 0.62\% \]

жана range:

\[ 1.75\% \]

деп көрсөтүлгөн.

Бул маанилер ensemble cross-validation натыйжасы болгон 97,32% менен бир метрика тобу эмес.

Validation жана test көрсөткүчтөрү

Validation confusion matrix

Validation setте:

• 37 чыныгы төмөн-коркунуч → 37 туура төмөн-коркунуч,
• 0 false positive,
• 36 чыныгы жогорку-коркунуч → 36 туура жогорку-коркунуч,
• 1 false negative

бар.

Test confusion matrix

Test setте:

• 63 true negative,
• 0 false positive,
• 58 true positive,
• 4 false negative

бар.

Threshold sensitivity

Булак threshold 0,30–0,70 арасында өзгөргөндө өзгөчө:

\[ 0.40-0.55 \]

аралыгында:

• accuracy %92ден жогору,
• specificity %95тен жогору

бойдон калганын билдирет.

Бул анализ модель көрсөткүчү бир гана чекиттеги кокустук натыйжа эмес экенин колдоо үчүн жүргүзүлгөн.

Subgroup натыйжалары

Бул p маанилери булакта подтоптор арасында маанилүү performance difference байкалбаганын колдоо үчүн берилген.

Бирок test set жалпы 125 бейтап болгондуктан, подтоп анализдери чоңураак демографиялык же клиникалык популяцияларда тең көрсөткүчкө кепилдик берет деген жыйынтык чыгарылбашы керек.

McNemar жана DeLong тесттери

Булак quantum ensemble менен baseline салыштыруусунда:

\[ p<0.001 \]

McNemar тестин жана:

\[ p<0.001 \]

DeLong тестин билдирет.

McNemar тести paired classification errors ортосундагы айырманы бааласа, DeLong тести ROC AUC маанилерин салыштырууда колдонулушу мүмкүн.

Бул тесттердин натыйжасы “quantum mechanics себебинен артыкчылык далилденди” дегенди билдирбейт. Тесттер салыштырылган prediction outputs ортосундагы статистикалык көрсөткүч айырмасын гана баалайт.

Абляциялык изилдөө quantum-inspired feature transform салымын чындап бөлүп көрсөтө алабы?

Абляциялык изилдөөдө ошол эле маалымат бөлүнүшү колдонулуп, 75 баштапкы радиомикалык өзгөчөлүк үстүндө quantum expansion жок моделдер кайра үйрөтүлгөн жана көрсөткүч төмөндөгөн; бирок булак “эң жакшы baseline” аныктамасында accuracy жагынан ички шайкешсиздик камтыйт.

Булак:

Quantum-enhanced ensemble:

\[ 96.80\%\ \mathrm{accuracy} \]

жана:

\[ 99.97\%\ \mathrm{AUC} \]

деп билдирет.

Булактагы “best baseline” маселеси

Текст XGBoostту:

“best baseline model”

деп атап, accuracy 81,36% жана AUC 0,695 берет.

Бирок ошол эле абзацта Random Forest accuracy:

\[ 83.05\% \]

деп көрсөтүлгөн.

Ошондуктан:

• AUC боюнча XGBoost берилген моделдердин ичинен эң жогорку мааниге ээ.
• Accuracy боюнча болсо берилген сандардын эң жогорусу Random Forestтын %83,05 мааниси.

Булак “болжол менен 15 percentage-point accuracy improvement” эсебин 81,36% → 96,80% аркылуу жүргүзөт:

\[ 96.80-81.36=15.44 \]

percentage point.

Бирок эң жогорку билдирилген baseline accuracy болгон 83,05% негиз кылынса:

\[ 96.80-83.05=13.75 \]

percentage point болот.

Бул экинчи эсеп Verianlaнын жаңы эксперименттик натыйжасы эмес; ал булакта катар берилген эки accuracy маанисинин арифметикалык айырмасы гана жана булак ичиндеги “best baseline” терминологиясы эмне үчүн бүдөмүк экенин көрсөтүү үчүн берилген.

Моделдин ката анализи эмнени көрсөттү?

Беш cross-validation fold ичинде үч же андан көп жолу жаңылыш классификацияланган 23 бейтап аныкталган; булак бул татаал учурлардын маанилүү бөлүгүн 12 айлык чечим чек арасына жакын жашап калуу, атиптик сүрөттөө көрүнүшү же толук эмес дарылоо маалыматы менен байланыштырган.

Булак:

• 23 consistently misclassified patient → жалпы маалымат топтомунун %6,2си,
• 15 бейтап → 12 айлык чектен ±1 ай алыстыктагы borderline outcome,
• 5 бейтап → aggressive disease болгонуна карабастан minimal contrast enhancement сыяктуу atypical imaging,
• 3 бейтап → incomplete treatment information

деп билдирет.

Бул анализ модель каталары толугу менен кокустук эмес экенин көрсөтөт; бирок бул байланыш causal proof эмес.

Feature-importance туруктуулугу

Cross-validation folds арасында feature-importance ranking үчүн correlation coefficient:

\[ r=0.92 \]

деп билдирилген.

Булак бардык foldдордо маанилүү деп саналган өзгөрмөлөрдүн арасында:

• tumor volume,
• sphericity,
• surface area

сыяктуу shape featuresти баса белгилейт.

Discussion бөлүмүндө ошондой эле tumor-volume, shape irregularity жана enhancement heterogeneity сыяктуу өзгөчөлүктөрдүн биологиялык plausibility бар экени айтылат.

Булактын “external validation” дооматы кандай чечмелениши керек?

Изилдөө мурдагы brain-metastasis quantum-radiomics ыкмасын башка шишик түрү болгон GBMге өткөрүү менен cross-domain методологиялык трансферди көрсөтөт; бирок бул макаладагы GBM моделинин train, validation жана test бейтаптарынын баары BraTS 2020дан алынгандыктан, көз карандысыз non-BraTS мекеме когортунда чыныгы тышкы валидация жүргүзүлгөн эмес.

Бул айырма маанилүү.

Авторлор 125 бейтаптык топту “external test set” деп аташат.

Бирок ошол эле изилдөөдө:

\[ 494\ \mathrm{BraTS\ hastası} \rightarrow 295+74+125 \]

түрүндө бир BraTS cohort split жүргүзүлгөн.

Демек test бейтаптар training patientsтан көз карандысыз; бирок маалымат булагы ошол эле benchmark экосистемасы.

Discussion бөлүмү муну ачык чектейт жана:

non-BraTS datasets from institutions independent of research groups

үстүндө валидация жүргүзүлбөгөнүн айтат.

Авторлор чыныгы external validation үчүн:

• BraTS салым кошуучуларынан башка оорукана борборлору,
• ар башка сүрөттөө протоколдору,
• жаңы patient cohorts,
• prospective validation

керек экенин белгилешет.

Cross-domain дооматы эмнеге негизделет?

Авторлордун мурдагы иши brain metastasis survival prediction үчүн иштелип чыккан quantum-radiomics методологиясы болгон.

Бул изилдөөдө ошол эле негизги transform концепциясын glioblastoma radiomicsке өткөрө алуу “cross-domain” деп чечмеленет.

Бирок учурдагы макала мурдагы brain-metastasis cohortтун quantitative resultsын катар кайра бербейт.

Булактын өзү да cross-domain claim:

methodological transfer

негизинде экенин жана эки cohortтун side-by-side performance reporting келечектеги изилдөөлөрдө жүргүзүлүшү керектигин моюнга алат.

Жарыяланган ыкмалар менен салыштыруу канчалык ишенимдүү?

Булак өзүнүн %96,80 test accuracy маанисин салттуу радиомика жана deep-learning изилдөөлөрүндө билдирилген төмөнүрөөк көрсөткүчтөр менен салыштырат; бирок endpoint, маалымат топтомунун көлөмү, preprocessing, train/test бөлүнүшү жана validation rigor ар башка болгондуктан, бул салыштыруулар түз head-to-head эксперимент эмес.

Булактын өзү түз numerical comparison жасаганда этият болууну талап кылат.

Анткени изилдөөлөр арасында:

• 12-month survival versus median survival endpoint,
• patient number,
• image preprocessing,
• train/test splitting,
• cross-validation versus held-out testing,
• model complexity

айырмачылыктар бар.

Ошондуктан “бул ыкма бардык башка ыкмалардан илимий жактан талашсыз артык” деген тыянак бул таблица менен гана далилденбейт.

Төрт false-negative клиникалык жактан эмне үчүн маанилүү?

Төрт false-negative чындап жогорку-коркунуч болгон төрт бейтапты модель төмөн-коркунуч деп белгилегенин көрсөтөт; бул ката түрү дарылоо интенсивдүүлүгүн азайтуу сыяктуу клиникалык чечим автоматташтырылса олуттуу кесепетке алып келиши мүмкүн, ошондуктан модель decision-support деңгээлинде гана каралышы керек.

Булактын test setинде:

\[ 4/62=6.45\% \]

жогорку-коркунуч бейтап жаңылыш түрдө төмөн-коркунуч классына берилген.

Авторлор Section 3.1де муну ачык “significant clinical concern” деп аташат.

Ошондуктан %100 specificity сөзүн өзүнчө бөлүп көрсөтүү адаштырышы мүмкүн.

%100 specificity:

“Төмөн-коркунуч бейтаптар жогорку-коркунуч деп жаңылыш белгиленген жок.”

дегенди билдирет.

Бул төмөнкүнү билдирбейт:

“Бардык жогорку-коркунуч бейтаптар табылды.”

Анткени sensitivity %93,55.

Discussion бөлүмүндөгү false-negative шайкешсиздиги

Булактын Discussion бөлүмүндө төрт false-negative үчүн “all but one case borderline survival” сыяктуу түшүндүрмө берилгенде, бир учурда:

survival = 16 months

деп жазылат.

Бирок изилдөөнүн өз binary endpoint аныктамасында:

\[ \mathrm{high\ risk}<12\ \mathrm{months} \]

болгондуктан, чындыгында 16 ай жашаган бейтап жогорку-коркунуч true class катары false-negative боло албайт.

Булак бул логикалык шайкешсиздикти түшүндүрбөйт.

Ошондуктан Verianla бул 16 айлык билдирүүнү false-negative клиникалык анализинин далили катары колдонбойт.

Изилдөө колдогон жыйынтыктар

• BraTS 2020дагы 494 GBM бейтаптын көп-модалдуу MRI радиомикалык өзгөчөлүктөрү менен 12 айлык binary survival-risk classification жүргүзүлгөн.
• Булакта колдонулган quantum-inspired transformation классикалык компьютерде иштейт.
• 75 радиомикалык өзгөчөлүк булак методунда 715 өлчөмдүү representationга кеңейтилген.
• Pairwise quadratic interaction space 2.775 feature pair камтыйт жана 300 PCA componentке азайтылат.
• 300 component quadratic varianceнын %95ин сактайт.
• Gaussian exponential bandwidth \(\sigma=1.5\) деп тандалган.
• Methods Section 2.3 беш классикалык machine-learning learner камтыган weighted soft-voting ensemble аныктайт.
• Test n=125 үстүндө accuracy %96,80 деп билдирилген.
• Test AUC-ROC %99,97 деп билдирилген.
• Specificity %100 жана sensitivity %93,55.
• Төрт false-negative жана нөл false-positive бар.
• Five-fold cross-validation ensemble accuracy %97,32 ± %1,24.
• Ablation изилдөөсү quantum-inspired feature expansion жок болгондо төмөнүрөөк performance билдирет.
• Изилдөө multi-institutional BraTS data үстүндө жүргүзүлгөн.

Изилдөө колдобогон жыйынтыктар

• Изилдөө чыныгы quantum computer глиобластома жашап калуусун божомолдогонун көрсөтпөйт.
• Quantum supremacy же quantum computational advantage көрсөтүлгөн эмес.
• Модель prospective clinical trialда сыналган эмес.
• Моделдин treatment decisionsти коопсуз автоматташтыра алары далилденген эмес.
• Көз карандысыз non-BraTS оорукана cohortунда валидация жүргүзүлгөн эмес.
• Модель continuous survival time божомолун бербейт; 12 айлык binary endpoint колдонот.
• %100 specificity бардык жогорку-коркунуч бейтаптар туура табылды дегенди билдирбейт.
• Жарыяланган deep-learning ыкмалары менен салыштыруу ошол эле cohort үстүндө head-to-head retraining эмес.
• Башка рак түрлөрү, CT, PET же ultrasound үчүн ошол эле performance көрсөтүлгөн эмес.
• Модель rare GBM subtypes же underrepresented demographic groups үчүн тең performance көрсөткөн деп эсептелбейт.
• Clinical cost-effectiveness formal health-economic study менен далилденген эмес.
• Manual/expert tumor segmentation талабы реалдуу клиникада толугу менен автоматтык чечилгени көрсөтүлгөн эмес.

Изилдөөнүн негизги чектөөлөрү

Булак билдирген жана натыйжаларды чечмелөөнү чектеген жагдайлар:

1. BraTS 2020 curated жана preprocessed benchmark dataset.
2. Clinical deployment үчүн reliable automatic segmentation талап кылынат.
3. 12 айлык binary cutoff continuous survival informationды жоготот.
4. Rare GBM subtypes жана underrepresented demographic groups үчүн жалпылоо чектелүү.
5. Non-BraTS independent institutional validation жүргүзүлгөн эмес.
6. Prospective validation жүргүзүлгөн эмес.
7. Brain metastasis → GBM cross-domain claim side-by-side quantitative comparison камтыбайт.

Келечектеги изилдөө сунуштары

Булак келечекте:

• Cox proportional-hazards regression,
• accelerated failure-time models,
• independent institutional datasets,
• prospective newly diagnosed cohorts,
• clinical/treatment variables integration,
• genomic жана molecular markers integration,
• longitudinal treatment-response monitoring

сыяктуу валидация жана өнүктүрүү багыттарын сунуштайт.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: Quantum Radiomics Ensemble Model for Glioblastoma Survival Prediction and External Validation on BraTS 2020

Авторлор: Damiana Teliti; Olsi Shehu; Bekir Karlik; Jasmin Kevrić.

Авторлордун ирети: Булактагы ирет сакталган.

Corresponding author: Damiana Teliti.

Мекеме 1: Department of Information Technology, Faculty of Engineering, Natural and Medical Sciences, International Burch University, Sarajevo, Bosnia and Herzegovina.

Мекеме 2: Department of Electrical and Electronics Engineering, Faculty of Engineering and Architecture, Istanbul Esenyurt University, Istanbul, Türkiye.

Мекеме 3: Department of Electrical and Electronics Engineering, Faculty of Engineering, Natural and Medical Sciences, International Burch University, Sarajevo, Bosnia and Herzegovina.

Журнал: The Open Neuroimaging Journal.

Басмакана: Bentham Open / Bentham Science.

Булак түрү: Research Article.

Рецензия статусу: The Open Neuroimaging Journal рецензияланган журнал; изилдөө жарыяланган изилдөө макаласы.

Том: 19.

E-location ID: e18744400478846.

DOI: 10.2174/0118744400478846260616061026.

Received: 14 Январь 2026.

Revised: 6 Апрель 2026.

Accepted: 8 Апрель 2026.

Published: 2 Июль 2026.

Расмий шилтеме: https://doi.org/10.2174/0118744400478846260616061026

Лицензия: Creative Commons Attribution 4.0 International, CC BY 4.0.

Ачкыч сөздөр: Quantum machine learning; Radiomics; Glioblastoma; Multi-modal MRI; Ensemble learning; Neuroimaging.

Изилдөө дизайны: Publicly available de-identified BraTS 2020 data үстүндө retrospective secondary analysis жана machine-learning classification.

Үлгү: 494 глиобластома бейтап.

Маалымат бөлүнүшү: 295 train / 74 validation / 125 test.

Негизги клиникалык endpoint: 12-month overall survival threshold.

Негизги ыкма: PyRadiomics негизиндеги feature extraction → quantum-inspired feature transformation → weighted ensemble classification → validation-threshold calibration → held-out test evaluation.

Quantum hardware: Колдонулган эмес. Өзгөртүү классикалык CPUда NumPy жана scikit-learn менен ишке ашырылган.

PyRadiomics версиясы: v3.0.

Радиомикалык стандартташтыруу: IBSI аныктамалары негиз катары алынган.

Өзгөчөлүктөрдүн саны: Баштапкы 75; QFTден кийин 715.

Quadratic pair саны: 2.775.

Quadratic PCA component: 300.

PCA cumulative variance: %95.

Exponential encoding bandwidth: \(\sigma=1.5\).

QFT эсептөө убактысы: Булакка ылайык стандарттык CPUда болжол менен 2–3 мүнөт/бейтап.

Methods Section 2.3 ensemble: Random Forest, Gradient Boosting, Support Vector Machine, Logistic Regression, XGBoost.

Ensemble салмактары: Random Forest 0,25; Gradient Boosting 0,22; XGBoost 0,21; SVM 0,18; Logistic Regression 0,14.

Threshold булагы: Section 2.4 тексти 0,48 деп билдирет.

Threshold шайкешсиздиги: Булак Figure 4 сүрөтүндө “Optimal threshold: 0.85” деп жазылган. Булак бул 0,48/0,85 карама-каршылыгын түшүндүрбөйт. Verianla метод текстиндеги 0,48ди негизги түшүндүрмөдө колдонуп, Figure 4 маанисин жашырган эмес.

Модель тизмесинин шайкешсиздиги: Section 2.3 беш learner катары RF, Gradient Boosting, SVM, Logistic Regression жана XGBoost аныктайт. Figure 4 төрт модель катары XGBoost, Random Forest, Extra Trees жана Gradient Boosting көрсөтөт. Figure 6 болсо Extra Trees, Gradient Boosting, Random Forest, XGBoost жана calibrated SVM берет. Булак айырманы түшүндүрбөйт.

Feature-count шайкешсиздиги: Section 2.2 алгач 14 shape + 18 first-order + 22 GLCM + 16 GLRLM + 5 GLSZM = 75 берет; андан кийин 75-vectorду 63 texture/first-order + 12 shape деп сүрөттөйт. Булак айырманы түшүндүрбөйт.

MRI-modality шайкешсиздиги: Негизги pipeline T1, T1ce, T2 жана FLAIR колдонот. Inclusion-criteria абзацы diffusion-weighted imagingди да санайт. Булак DWI QFT киришинде колдонулганын кийин көрсөтпөйт.

Ablation шайкешсиздиги: Булак XGBoostту “best baseline model” деп 81,36% accuracy жана 0,695 AUC менен атайт; ошол эле абзацта Random Forest 83,05% accuracy деп билдирилет. Демек, “best” сөзү accuracy жагынан текст менен толук шайкеш эмес.

False-negative Discussion шайкешсиздиги: High-risk классы survival <12 ай деп аныкталганы менен Discussion бөлүмүндөгү false-negative түшүндүрмөсүндө 16 айлык survival айтылат. Бул маани өзүнүн binary class аныктамасына шайкеш көрүнбөгөндүктөн, Verianla муну клиникалык тыянактын далили катары колдонгон эмес.

External-validation чеги: 125 бейтаптык test тобу training жана validationдан бейтап деңгээлинде бөлүнгөн; бирок 494 бейтаптын баары BraTS 2020дан алынган. Булактын Discussion бөлүмү non-BraTS көз карандысыз institution dataset валидациясы жүргүзүлбөгөнүн ачык билдирет.

Клиникалык колдонуу чеги: Модель prospective clinical trialда валидацияланган эмес жана treatment decision algorithm катары сыналган эмес. Авторлор Section 3.1де натыйжаны probabilistic decision support катары кароону сунушташат.

Этика: Изилдөө publicly available, fully de-identified BraTS 2020 маалыматтарынын retrospective secondary analysis болуп саналат. International Burch University Ethics Committee formal ethics approval талап кылынбайт деген чечим чыгарган; approval reference number берилген эмес.

Human/animal rights: Жаңы адам же жаныбар эксперименти жүргүзүлгөн эмес. Баштапкы сүрөттөө изилдөөлөрү тиешелүү contributing institutions этикалык стандарттары боюнча жүргүзүлгөн.

Consent: Баштапкы сүрөттөө жана data sharing үчүн тиешелүү contributing institutionsда consent алынган; бул de-identified secondary analysis үчүн кошумча consent талап кылынган эмес.

Маалымат жеткиликтүүлүгү: BraTS 2020 маалымат топтому CBICA/University of Pennsylvania BraTS repository аркылуу ачык жеткиликтүү. Trained ensemble model жана analysis code corresponding authorдан reasonable request боюнча суралышы мүмкүн.

Каржылоо: None.

Кызыкчылыктардын кагылышы: Авторлор каржылык же башка кызыкчылыктардын кагылышы жок экенин билдиришкен.

Acknowledgements: Declared none.

Авторлордун салымдары: Булак деталдуу CRediT рол бөлүштүрүүсүн бербейт. Бардык авторлор final manuscriptти окуп, жактырганы, жазуу жана оңдоого катышканы жана изилдөөнүн тактыгына жоопкерчиликти кабыл алганы айтылган.