Utafiti huu unachunguza ikiwa namna data za kliniki za kawaida zinavyosimbwa katika hali za quantum katika utabiri wa ugonjwa wa moyo hubadilisha au haibadilishi mafanikio ya modeli. Watafiti walichakata awali mkusanyiko wazi wa data wenye sifa 11 za kliniki na kifiziolojia za wagonjwa 918 na kuupunguza, kwa kutumia Principal Component Analysis (PCA), hadi vipengele 9 vinavyohifadhi takriban %90 ya variance ya jumla; kisha wakalinganisha ramani tano za sifa za quantum, yaani Angle Encoding (AE), Amplitude Encoding (AmE), Basis Encoding (BE), Pauli Encoding (PE) na ZZ Feature Map (ZZFM), na viainishaji vinne vya quantum, yaani QSVM, QKNN, QRF na VQC. Katika uthibitishaji msalaba wa mikunjo mitano, usahihi wa jumla wa juu zaidi uliripotiwa katika mchanganyiko wa QSVM + AE kwa %90,26, sensitivity %92,16, specificity %83,42, F1-score %89,68 na ROC-AUC 0,93. Hata hivyo, matokeo yote yalipatikana kwenye simulator ya quantum; utafiti hautoi uthibitishaji wa kitambuzi kwenye vifaa halisi vya quantum au katika mazingira ya kliniki ya prospektivu.

Matokeo muhimu ya utafiti si tu ni kiainishaji gani kinachochaguliwa, bali pia ni kwamba namna sifa za kliniki za kawaida zinavyosimbwa katika hali ya quantum inaweza kubadilisha sana performans. Kwa mfano, QSVM hufikia usahihi wa %90,26 kwa AE, ilhali kiainishaji hicho hicho hushuka hadi %79,89 kwa AmE; VQC nayo hutoa usahihi wa %43,48 kwa AE, lakini hupanda hadi %85,87 kwa BE. Kwa hiyo, katika tathmini ya ujifunzaji wa mashine wa quantum (Quantum Machine Learning, QML), “modeli ya quantum” peke yake si ufafanuzi wa kutosha; ramani ya sifa na kiainishaji lazima vitathminiwe pamoja.

Swali la msingi la utafiti ni nini?

Swali lililo katikati ya utafiti ni jinsi uwakilishi wa vigeu vya kliniki vya kawaida vinavyohusiana na ugonjwa wa moyo kupitia ramani tofauti za sifa za quantum unavyoathiri performans ya viainishaji vya quantum. Utafiti unalenga hasa kufanya athari ya usimbaji wa sifa ionekane kwa kulinganisha mbinu tano za usimbaji na viainishaji vinne vya QML katika mkondo mmoja wa jumla wa uchakataji.

Katika mkusanyiko wa data wa chanzo kuna rekodi 918 za wagonjwa, sifa 11 za ingizo na kigeu lengwa kimoja cha binary. Katika lengo la HeartDisease, 1 ugonjwa wa moyo na 0 hali ya kawaida vimefafanuliwa.

Usambazaji wa data unaonyesha nini?

Katika histogram na grafu za density za utafiti, inaonekana kuwa usambazaji wa umri umejikita hasa katika takriban kipindi cha miaka 40–65, RestingBP imejikita takriban karibu na 130 mmHg na MaxHR imejikita takriban karibu na 140–160 bpm. Usambazaji wa Cholesterol na Oldpeak umepinda kwenda kulia. Baada ya sifa za kikategoria kusimbwa, miundo ya vilele tofauti vinavyotarajiwa inaonekana.

Katika grafu za violin pia inaonekana kuwa umri umejikita hasa katika miaka ya 50, sehemu kubwa ya RestingBP iko karibu na 120–150 mmHg na kigeu cha Oldpeak kina mkia mrefu chanya. Chanzo kinaeleza kuwa katika kigeu cha cholesterol, kundi dogo la thamani zilizo karibu na sifuri linaweza kuwa placeholder au thamani iliyopotoka. Hata hivyo, watafiti wanasema kuwa thamani hizi zilishughulikiwa kupitia mchakato wa scaling kabla ya PCA; hakuna uchambuzi unaowasilishwa kuhusu uthibitishaji wa kliniki wa uhalali wa data.

Correlations zinasema nini?

Katika heat map ya Pearson correlation ya utafiti, baadhi ya mahusiano yaliyo dhahiri zaidi na lengo la HeartDisease yanaonyeshwa kama −0,56 kwa ST_Slope, +0,49 kwa ExerciseAngina, +0,40 kwa Oldpeak, −0,40 kwa MaxHR, −0,39 kwa ChestPainType, +0,31 kwa Sex na +0,28 kwa Age.

Viwango hivi vinaonyesha mahusiano ya mstari ndani ya mkusanyiko wa data; vyenyewe havithibitishi kwamba sifa fulani husababisha ugonjwa wa moyo. Hasa kwa kuwa vigeu vya kikategoria vilibadilishwa kuwa namba kwa label encoding, maana ya kliniki ya viwango vya Pearson correlation haipaswi kutafsiriwa kama athari ya kisababishi iliyo huru dhidi ya namna ya usimbaji.

Kwa nini PCA ilitumika?

Principal Component Analysis ilitumika kwa lengo la kupunguza mzigo wa uchakataji na pia kubadilisha vigeu vya mwanzo vyenye correlation kuwa idadi ndogo zaidi ya vipengele vya orthogonal. Kulingana na grafu ya variance iliyoelezwa katika utafiti, vipengele 9 vya kwanza vikuu huhifadhi takriban %90 ya variance ya jumla. Kwa hiyo, vipengele tisa vilitumika katika hatua zilizofuata za usimbaji na uainishaji wa quantum.

PCA hapa inapunguza uwezo wa kutafsiri moja kwa moja vigeu vya kliniki huku ikiweka kikomo kwa dimension itakayohamishwa kwenye circuit za quantum. Kwa hiyo, tabaka la quantum la modeli sasa halifanyi kazi moja kwa moja juu ya “cholesterol”, “umri” au “MaxHR”, bali juu ya vipengele vikuu vinavyotokana na michanganyiko ya mstari ya hivyo.

Tofauti kati ya ramani tano za sifa za quantum ni nini?

Angle Encoding (AE) hulinganisha kila ingizo la kawaida na pembe ya mzunguko wa qubit. Katika chanzo, usemi msingi umetolewa hivi:

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

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

Hapa \(x_i\) inawakilisha thamani ya sifa ya kawaida, \(s(\cdot)\) inawakilisha function inayoscale thamani kwenye kipindi kinachofaa cha pembe, na \(R_y\) inawakilisha mzunguko wa qubit moja kuzunguka mhimili wa Y. Ugumu msingi wa gate wa circuit umeelezwa katika utafiti kama \(O(n)\). Usahihi wa juu zaidi wa utafiti ulipatikana kwa usimbaji huu.

Amplitude Encoding (AmE) huweka sifa moja kwa moja katika amplitudes za hali ya quantum badala ya pembe za mzunguko wa qubit:

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

Katika chanzo, kwa \(0\leq k<d\), \(\alpha_k=x_k/\|x\|_2\) hufafanuliwa, na kwa hali zilizobaki hufafanuliwa kuwa sifuri. Faida ya AmE ni uwezo wa kuwakilisha sifa nyingi zaidi za kawaida katika amplitudes za hali za qubit chache zaidi; hasara yake ni kwamba mchakato wa jumla wa state preparation unaweza kuwa wa gharama kubwa kwenye vifaa vya sasa vya quantum.

Basis Encoding (BE) hubadilisha moja kwa moja vector ya sifa za binary iliyowekewa kizingiti kuwa hali ya computational basis:

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

Kwa kuwa njia hii inahitaji tu X gates, imetathminiwa katika utafiti kama usimbaji wa shallow sana na wa gharama ndogo. Hata hivyo, kubadilisha sifa endelevu kuwa binary kunaweza kuleta upotevu wa taarifa.

Pauli Encoding (PE) husimba sifa kwa mizunguko ya Pauli inayofuatana:

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

Inalenga kuunda uwakilishi wa trigonometric ulio tajiri zaidi kuliko Angle Encoding inayotegemea mhimili mmoja. Katika utafiti, inaelezwa kuwa huku sifa ya circuit ya shallow ikihifadhiwa kwa kiasi kikubwa, mahusiano rahisi kati ya qubit yanaweza kuwakilishwa kwa tabaka za ziada za entanglement.

ZZ Feature Map (ZZFM) nayo husimba mwingiliano wa sifa za moja moja na wa jozi katika phase ya quantum:

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

Hadi za kuzidisha \(x_ix_j\) hapa huwezesha mwingiliano wa sifa za daraja la pili kuhamishwa moja kwa moja kwenye hali ya quantum. Gharama ya hili ni entangling gates nyingi zaidi na gharama kubwa zaidi ya circuit ikilinganishwa na AE na BE.

QSVM inafanyaje kazi?

Quantum Support Vector Machine (QSVM) huhifadhi mantiki ya uamuzi ya SVM ya kawaida huku ikihesabu kufanana kati ya sampuli kupitia hali za quantum badala ya kernel ya kawaida. Katika utafiti, quantum kernel imefafanuliwa hivi:

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

Hapa, sifa za wagonjwa wawili baada ya PCA kwanza husimbwa kupitia ramani iliyochaguliwa ya sifa za quantum kuwa hali \(|\psi(x)\rangle\) na \(|\psi(z)\rangle\). Kernel ni mfanano wa fidelity kati ya hali hizi mbili. Function ya uamuzi ya SVM nayo ni:

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

Kwa hiyo, mchango wa “quantum” katika utafiti unatokana hasa na uwakilishi wa sifa katika nafasi ya quantum na hesabu ya kernel; mantiki ya mwisho ya uainishaji hutumia mfumo wa SVM ya kawaida.

Viainishaji vingine vya quantum vimeundwaje?

QKNN huhifadhi mantiki ya kawaida ya K-nearest neighbor huku ikihesabu ukaribu kati ya sampuli kwa quantum-state fidelity. QRF hubadilisha wazo la kawaida la random forest kuwa mkusanyiko wa bagging kupitia shallow variational quantum “trees”. VQC nayo hutumia tabaka moja la variational juu ya qubit tisa katika utafiti; baada ya mizunguko ya parametric ya \(R_Y\) na \(R_Z\) kwenye kila qubit, mnyororo wa mstari wa CNOT entanglement hutumika.

Utafiti unaunga mkono nini, na hauungi mkono nini?

Matokeo yanayoungwa mkono: Katika data na masharti haya ya simulyesheni, uchaguzi wa ramani ya sifa za quantum umebadilisha performans ya uainishaji kwa namna dhahiri; kati ya ramani tano za sifa, QSVM iliyounganishwa na AE imetoa usahihi wa juu zaidi wa jumla. Baadhi ya mchanganyiko mingine imejitokeza katika vipimo tofauti; kwa mfano, QSVM+PE imeripoti sensitivity ya %97,06, na VQC+BE imeripoti specificity ya %89,02 na precision ya %90,43.

Matokeo yasiyoungwa mkono: Utafiti hauthibitishi kwamba ujifunzaji wa mashine wa quantum kwa ujumla ni bora kuliko ujifunzaji wa mashine wa kawaida katika utambuzi wa ugonjwa wa moyo. Utafiti haukufanyika kwenye vifaa halisi vya quantum, si utafiti wa kliniki wa prospektivu, haujumuishi uthibitishaji wa kifaa cha utambuzi, na hauonyeshi kwamba modeli iliyopatikana inaweza kutumika kwa usalama katika kufanya maamuzi ya kliniki.

Una maana gani kwa mtazamo wa Uturuki?

Utafiti haukufanyika Uturuki na hautumii data maalumu kwa populyaseni ya wagonjwa wa Uturuki. Kwa kuwa usambazaji wa umri, prevalence ya ugonjwa, mbinu za vipimo vya kliniki na sifa za populyaseni zinaweza kubadilika, thamani za performans zilizoripotiwa haziwezi kuhamishwa moja kwa moja kwa taasisi za afya za Uturuki. Kabla ya kutumika katika muktadha wa Uturuki, uthibitishaji huru, calibration, performans ya kliniki na uchambuzi wa makosa juu ya data za wagonjwa wa ndani vinahitajika.

Mbinu na Matokeo ya Utafiti

Mkondo wa utafiti kutoka mwanzo hadi mwisho

1. Mkusanyiko wa data wenye rekodi 918 za wagonjwa na sifa 11 za kliniki/kifiziolojia ulichukuliwa.
2. Usafishaji wa data ulifanywa; vigeu vya kikategoria viligeuzwa kuwa namba kwa label encoding.
3. Usambazaji ulichunguzwa kwa histogram, density plot, violin plot na heat map ya Pearson correlation.
4. PCA ilitumika na vipengele 9 vikuu vinavyoeleza takriban %90 ya variance ya jumla vilichaguliwa.
5. Data zilisimbwa kuwa hali za quantum kwa mbinu za AE, AmE, BE, PE na ZZFM.
6. Viainishaji vya QSVM, QKNN, QRF na VQC vilitathminiwa kwa ramani tofauti za sifa.
7. Performans ilipimwa kwa uthibitishaji msalaba wa mikunjo mitano; kupitia accuracy, specificity, sensitivity, precision, F1-score, Cohen's kappa na ROC-AUC.
8. Modeli bora ya QSVM+AE ilitathminiwa pia katika mkusanyiko wa pili wa data za ugonjwa wa moyo.

Ni mchanganyiko gani ulijitokeza katika ramani tano za sifa?

Thamani zilizo hapa chini zinaonyesha konfigurasheni zilizojitokeza kwa kila mbinu ya usimbaji katika Jedwali 3–7 na Kielelezo 13 za utafiti wa chanzo. Ingawa thamani zimetolewa kutoka matokeo ya utafiti huo huo, kila konfigurasheni ina jiometri tofauti ya uamuzi; kipimo kimoja cha performans hakiamui peke yake ubora wa kliniki.

Katika ulinganisho huu, QSVM + AE hutoa thamani ya juu zaidi ya jumla ya accuracy, ilhali thamani ya sensitivity ya QSVM + PE ni kubwa zaidi. VQC + BE nayo hutoa baadhi ya thamani za juu zaidi za specificity na precision. Kwa hiyo, ufafanuzi wa “bora zaidi” unaweza kubadilika kulingana na gharama ya kosa la kliniki iliyochaguliwa; kwa mfano, athari za kukosa ugonjwa na kumainisha mtu mwenye afya kimakosa kuwa positive si sawa.

Uthibitishaji msalaba wa mikunjo mitano wa QSVM + AE

Confusion matrix iliyosawazishwa ya chanzo inaonyesha kuwa takriban %83 ya darasa lisilo na ugonjwa na takriban %92 ya darasa lenye ugonjwa yaliainishwa kwa usahihi. Thamani ya AUC ya grafu ya ROC ni 0,93. Performans hii inaonyesha uwezo wa kutenganisha madarasa ndani ya data na mkondo huo huo wa simulyesheni; haipaswi kutafsiriwa kama uthibitishaji wa sensitivity au specificity ya kliniki.

Tofauti ni kiasi gani ikilinganishwa na SVM ya kawaida?

Watafiti pia walilinganisha modeli ya mwisho ya QSVM+AE na kernels za SVM za kawaida katika mazingira yale yale ya tathmini. Katika Kielelezo 16, thamani za usahihi zimetolewa kama %86,97 kwa SVM ya mstari, %88,5 kwa polynomial kernel, %89,5 kwa RBF kernel na %90,26 kwa QSVM.

Matokeo haya yanaonyesha kuwa konfigurasheni ya QML ilitoa usahihi mkubwa zaidi kwa namba kuliko toleo lenye nguvu zaidi la SVM ya kawaida katika utafiti. Hata hivyo, utafiti hautoi jaribio la umuhimu wa kitakwimu au uchambuzi wa ubora unaotegemea confidence interval kwa tofauti hii ndogo ya performans. Kwa hiyo, matokeo haya hayawezi kupanuliwa kuwa “ujifunzaji wa mashine wa quantum kwa ujumla ni bora kuliko njia za kawaida”.

Uthibitishaji katika mkusanyiko wa pili wa data ulionyesha nini?

Modeli ya QSVM+AE pia ilitathminiwa katika mkusanyiko mwingine wa data za ugonjwa wa moyo wenye rekodi 1000 za wagonjwa na sifa 15. Katika Kielelezo 17 ya utafiti, kwa tathmini hii ya nje, accuracy 0,8969, specificity 0,8561, sensitivity 0,9118, precision 0,8884, F1-score 0,8999, kappa 0,7705 na AUC 0,9186 vinaripotiwa.

Performans katika mkusanyiko wa pili wa data ni jaribio la ziada linalodokeza kuwa modeli haitegemei kabisa mgawanyo mmoja wa awali wa data. Hata hivyo, chanzo hakisemi kwamba uthibitishaji huu ni utafiti wa kliniki wa prospektivu, kohorti huru ya wagonjwa kutoka hospitali tofauti au jaribio la vifaa halisi vya quantum.

Gharama za circuit za quantum

Gharama hizi za nguvu si matumizi ya nishati yaliyopimwa kwenye prosesa ya kimwili ya quantum. Watafiti wanaeleza wazi kwamba majaribio yote yalifanyika kwenye simulyesheni na kwamba tathmini ya nishati ni kiashiria cha gharama ya ukokotoaji cha kilinganishi na cha ubora tu.

Kwa nini kompyuta halisi ya quantum ni jaribio muhimu linalofuata?

Kwenye simulator, qubit za kimantiki zinaweza kutumika chini ya hali zilizoboreshwa kiideali. Katika vifaa vya kimwili vya quantum, ramani ya muunganisho wa qubit, routing gates za ziada, transpilation, gate error, readout error, ubadilika wa calibration na decoherence vinaweza kubadilisha tabia ya circuit. Katika utafiti huu, hakuna athari yoyote kati ya hizi iliyojumuishwa katika mkondo wa benchmark.

Kwa hiyo, tathmini kwamba circuit za AE, BE na PE zina matumaini kwa “near-term hardware” ni si kipimo cha vifaa, bali ni hitimisho la ubora linalotegemea muundo wa circuit. Ikiwa usahihi huo huo utahifadhiwa au la kwenye vifaa halisi vya NISQ, halijaamuliwa na utafiti huu.

Makosa muhimu ya kutolingana ndani ya chanzo

Kutolingana kwa precision: Muhtasari hutoa thamani ya precision ya QSVM+AE kama %88,89. Kinyume chake, Jedwali 3, Kielelezo 13 na wastani wa matokeo ya mikunjo mitano ni 0,8739, yaani %87,39. Thamani hizi mbili hazilingani kwa kipimo kile kile. Katika makala hii, thamani ya 0,8739 katika majedwali ya matokeo ya kina imetumiwa, na pia imebainishwa kuwa thamani ya muhtasari ni tofauti.

Kutolingana kwa idadi ya qubit: Maelezo ya Amplitude Encoding yanasema kuwa \(n=\lceil\log_2d\rceil\) qubit zinahitajika, ilhali baada ya PCA \(d=9\) sifa zinatumika. Kinyume chake, sehemu ya mbinu ina kauli “katika utafiti huu, qubit 9 zilitumika katika majaribio yote” na mara baada yake inaeleza kuwa vipengele 9 vimepangwa kwenye qubit 9 katika “mikakati mingi ya usimbaji”. Utafiti haupatanishi waziwazi kati ya kauli hizi mbili kuhusu AmE ilitekelezwa kwa qubit ngapi haswa.

Kauli ya ubora wa jumla: Ingawa muhtasari unaeleza kuwa matokeo ni bora kuliko mbinu za kawaida za state-of-the-art, katika ulinganisho wa fasihi wa makala yenyewe kuna tafiti za awali zinazoripoti usahihi wa %97,06 na %99,96. Katika sehemu ya matokeo, waandishi wanaeleza kwa tahadhari zaidi kwamba matokeo hayapaswi kutafsiriwa kama ushahidi wa ubora wa jumla dhidi ya ML ya kawaida. Kikomo hiki cha pili kinapaswa kuchukuliwa kuwa msingi kwa tafsiri ya kisayansi.

Maelezo ya Chanzo na Mbinu

Jina kamili la kazi asilia: A Comparative Study of Quantum Feature Maps and Quantum Classifiers for Heart Disease Prediction

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

Mwandishi wa kwanza sawa/mchango sawa: Haijabainishwa katika chanzo.

Mwandishi husika: Arslan Munir.

Taasisi: Department of Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, Florida, Marekani; Department of Computer Science and Engineering, Bangladesh University, Dhaka, Bangladesh.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wakaguzi; ni utafiti wa ujifunzaji wa mashine wa quantum na uchambuzi wa data unaotegemea simulyesheni. Si utafiti wa kliniki wa prospektivu.

Jarida: AI.

Mchapishaji: MDPI, Basel, Uswisi.

Rekodi ya bibliografia: AI, 2026, 7(5), Makala 180.

DOI: 10.3390/ai7050180.

Kupokelewa / marekebisho / kukubaliwa / kuchapishwa: 25 Februari 2026 / 16 Mei 2026 / 18 Mei 2026 / 21 Mei 2026.

Kiungo rasmi cha uchapishaji: Rekodi rasmi ya makala ya MDPI kupitia DOI 10.3390/ai7050180.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Bodi ya maadili: Institutional Review Board Statement iliripotiwa kuwa “Not applicable”.

Ridhaa yenye taarifa: iliripotiwa kuwa “Not applicable”.

Upatikanaji wa data: Inaelezwa kuwa mkusanyiko mkuu wa data za ugonjwa wa moyo unapatikana wazi kwenye Kaggle.

Mgongano wa maslahi: Waandishi wametangaza kuwa hakuna mgongano wa maslahi.

Tamko la matumizi ya akili bandia: Waandishi wanaeleza kuwa walitumia wasaidizi wa mazungumzo wanaotegemea akili bandia ili kuboresha uwazi na ubora wa lugha ya maelezo ya Kiingereza katika sehemu mbalimbali za makala, na kwamba waandishi wote walipitia na kuidhinisha tamko hili.

Michango ya waandishi: Uundaji wa dhana M.M.H. na A.M.; metodolojia M.M.H. na A.M.; uthibitishaji M.H.H.H. na A.M.; uchambuzi formal M.H.H.H. na A.M.; utafiti A.M. na M.M.H.; rasilimali M.H.H.H. na A.M.; rasimu ya kwanza M.H.H.H. na M.M.H.; mapitio na uhariri A.M. na M.H.H.H.; uonyeshaji M.M.H.; ushauri ulifanywa na A.M.

Kikomo cha tafsiri ya kisayansi

Utafiti huu si tathmini ya kifaa cha kliniki cha quantum kinachogundua ugonjwa wa moyo. Ni jaribio la uainishaji wa kikokotoaji lililofanywa juu ya mkusanyiko wa data wenye rekodi 918 na mkusanyiko wa pili wa data wenye rekodi 1000. Matokeo yote ya quantum yanatoka katika mazingira ya simulator. Qubit za kimwili, real quantum backend, hardware noise, decoherence, coupling constraints, routing overhead na readout error hazikujaribiwa moja kwa moja.

Usahihi wa %90,26 na thamani ya 0,93 AUC ya QSVM+AE vinahusiana na mkusanyiko wa data, preprocessing, PCA, quantum feature map na masharti ya cross-validation ya utafiti huu. Thamani hizi hazimaanishi dhamana ya mafanikio ya utambuzi ya %90,26 kwa wagonjwa halisi.

Hasa ingawa ulinganisho wa utafiti na RBF-SVM ya kawaida unaonyesha tofauti ya namba kwa faida ya QSVM, hakuna jaribio lililoripotiwa la ubora wa kitakwimu kwa tofauti hii. Kwa hiyo, utafiti haupaswi kuwasilishwa kama ushahidi wa ubora wa jumla wa ujifunzaji wa mashine wa quantum dhidi ya ujifunzaji wa mashine wa kawaida.