Радиомикаи илҳомгирифта аз квант равиши омӯзиши мошинӣ мебошад, ки хусусиятҳои классикии ададии радиомикии аз тасвирҳои тиббӣ гирифташударо бидуни истифодаи сахтафзори воқеии квантӣ бо табдилоти ғайрихаттии хусусиятҳо, ки аз ҳисоббарории квантӣ илҳом гирифтаанд, васеъ мекунад. Ин таҳқиқот 75 хусусияти радиомикии аз тасвирҳои бисёрмодалии магнитӣ-резонансии беморони глиобластома гирифташударо ба фазои васеъшудаи 715-андозаи хусусиятҳо табдил дода, ин намоишро бо таснифгари ensemble якҷо мекунад ва беморонро бо истифода аз ҳадди 12-моҳаи зиндамонӣ ба гурӯҳҳои хавфи баланд ва хавфи паст ҷудо менамояд.

Таҳқиқот аз 494 бемори глиобластома дар маҷмӯи маълумоти Brain Tumor Segmentation 2020 (BraTS 2020) истифода кардааст. Барои ҳар бемор пайдарпайиҳои MRI-и T1, T1 бо контраст (T1ce), T2 ва FLAIR арзёбӣ шудаанд. Маҷмӯи маълумот ба 295 бемор барои омӯзиш (%60), 74 бемор барои валидатсия (%15) ва 125 бемор барои тест (%25) тақсим шудааст. Нуқтаи асосии ниҳоии таҳқиқот overall survival-и 12-моҳа мебошад: бемороне, ки камтар аз 12 моҳ зинда мондаанд, ҳамчун хавфи баланд ва бемороне, ки 12 моҳ ё бештар зинда мондаанд, ҳамчун хавфи паст тасниф шудаанд.

Дар манбаъ табдилоте, ки Quantum Feature Transform (QFT) ном дорад:

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

ба ин шакл дода шудааст. Вектори ибтидоӣ:

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

буда, пас аз табдил:

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

намоиши ин андоза ба даст меояд. Дар ин ҷо \(x\) хусусиятҳои аслии радиомикӣ, \(Q(x)\) quadratic interactions-и ҷуфтҳои хусусиятҳо, \(E(x)\) Gaussian exponential encoding ва \(S(x)\) ҷузъи statistical aggregates-ро ифода мекунад.

Ин равиш дар quantum computer-и воқеӣ иҷро нашудааст. Муаллифон равшан таъкид мекунанд, ки усул quantum-inspired аст ва метавонад дар компютерҳои стандартии классикӣ бо истифода аз NumPy ва scikit-learn иҷро шавад. Гузориш шудааст, ки табдили хусусиятҳои як бемор дар CPU-и стандартӣ тақрибан 2–3 дақиқа мегирад.

Нишондодҳои иҷроиш, ки манбаъ дар маҷмӯи тест гузориш кардааст:

• 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.

Дар гурӯҳи тестии 125-нафара ҳамаи 63 бемори хавфи паст дуруст тасниф шуданд, аз 62 бемори хавфи баланд 58 нафар дуруст тасниф гардиданд ва 4 бемори хавфи баланд иштибоҳан ҳамчун хавфи паст пешгӯӣ шуданд. Аз ин рӯ, таҳқиқот сифр false-positive, вале чор false-negative дорад.

Гарчанде ин натиҷаҳо ба қобилияти баланди фарқгузорӣ ишора мекунанд, маҳдудияти тафсири клиникӣ муҳим аст. Дар бахши Discussion худи мақола гуфта мешавад, ки модел набояд ҳамчун қарори мутлақи клиникӣ истифода шавад ва натиҷаҳо бояд ҳамроҳ бо маълумоти дигари клиникӣ ва молекулавӣ арзёбӣ шаванд. Ҳамчунин, бо вуҷуди истифодаи истилоҳи “external validation”, гурӯҳи ниҳоии тестии 125-нафара аз тақсимоти дохилии худи маҷмӯи BraTS 2020 гирифта шудааст; валидатсияи prospective ё воқеии зиндагӣ дар когорти комилан мустақили non-BraTS-и беморхона анҷом дода нашудааст.

Оё калимаи “квант” дар ин мақола маънои истифодаи компютери воқеии квантиро дорад?

Не. Дар таҳқиқот протсессори квантӣ, qubit, quantum gate ё quantum circuit-и воқеӣ истифода нашудааст; усуле, ки муаллифон “Quantum Feature Transform” номидаанд, аз идеяи намоиши баландандоза ва ғайрихаттии ҳисоббарории квантӣ илҳом гирифтааст, аммо пурра ҳамчун усули муҳандисии хусусиятҳо дар компютери классикӣ ҳисоб карда мешавад.

Ин фарқ барои дуруст фаҳмидани мақола аҳамияти асосӣ дорад.

Дар барномаи воқеии quantum machine learning баъзе ҳисобҳо метавонанд дар qubit-ҳо бо истифода аз quantum gates анҷом дода шаванд. Дар ин таҳқиқот бошад, табдилот бо:

• амалҳои векторӣ дар NumPy,
• Principal Component Analysis (PCA) дар scikit-learn,
• таснифгарҳои классикии machine-learning

иҷро шудааст.

Аз ин рӯ, он чизе ки таҳқиқот нишон медиҳад:

“Компютери квантӣ зиндамонии глиобластомаро бо дақиқии %96,80 пешгӯӣ кард.”

нест.

Ифодаи мувофиқ ба манбаъ:

“Модели ensemble, ки дар маълумоти радиомикии бо табдили классикии хусусиятҳои илҳомгирифта аз квант васеъшуда кор мекунад, дар тақсимоти тестии BraTS 2020-и таҳқиқот ба accuracy-и %96,80 расид.”

Радиомика чист?

Радиомика равиши ҳисоббарории таҳлили тасвир аст, ки хусусиятҳои визуалӣ, аз ҷумла шакл, тақсимоти шиддат ва гетерогении бофтаи омосро дар тасвирҳои тиббӣ, монанди MRI, CT ё PET, ба тағйирёбандаҳои ададӣ табдил медиҳад.

Вақте радиолог ба MRI менигарад, метавонад:

• андозаи омос,
• шакл,
• номуназзамии сарҳад,
• контрастшавӣ,
• минтақаҳои некрозӣ,
• варам

ро бо чашм арзёбӣ кунад.

Радиомика кӯшиш мекунад хусусиятҳои монандро ба тағйирёбандаҳои математикӣ табдил диҳад.

Масалан:

• tumor volume → ҳаҷм,
• sphericity → то чӣ андоза ба шакли кура монанд будани омос,
• surface area → масоҳати сатҳ,
• entropy → ченаки номуназзамӣ дар тақсимоти шиддати voxel,
• хусусиятҳои GLCM → муносибатҳои фазоии шиддати voxel-ҳои ҳамсоя

метавонанд ҳамчун маълумоти воридотии модели омӯзиши мошинӣ истифода шаванд.

Чаро глиобластома масъалаи душвори пешгӯӣ аст?

Глиобластома яке аз саратони ибтидоии мағзи сар бо рафтори аз ҳама хашмгин дар калонсолон мебошад. Манбаъ нишон медиҳад, ки дар шароити кунунии табобат median survival тақрибан 12–15 моҳ аст. Аммо ҳамаи беморон рафти клиникии якхела надоранд.

Миёни беморон метавонанд фарқиятҳои муҳим дар:

• ҳаҷми омос,
• локализатсия,
• дараҷаи инфилтратсия,
• контраст enhancement,
• биологияи молекулавӣ,
• посух ба табобат

вуҷуд дошта бошанд.

Аз ин рӯ, на танҳо зиндамонии миёна, балки таснифи инфиродии хавф низ аз нигоҳи клиникӣ муҳим аст.

Модел ба кадом саволи клиникӣ ҷавоб додан мехоҳад?

Масъалаи таснифи таҳқиқот:

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

ва:

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

ба ҳамин тарз муайян шудааст.

Аз ин рӯ, модел exact survival time-ро пешгӯӣ намекунад. Масалан, continuous survival prediction дар шакли “бемор 17,3 моҳ зиндагӣ мекунад” намедиҳад.

Модел танҳо дар атрофи ҳадди 12-моҳа binary risk classification мекунад.

Маҷмӯи маълумоти BraTS 2020 дар таҳқиқот чӣ гуна истифода шуд?

Дар таҳқиқот тасвирҳои бисёрмарказии BraTS 2020 аз 494 бемори глиобластома истифода шуданд; беморон дар марҳилаи хусусиятҳои хом ба 295 бемори омӯзишӣ, 74 бемори валидатсия ва 125 бемори тестӣ ҷудо шуданд ва мақсад ин буд, ки танзимоти модел ба гурӯҳи тестӣ маълумот нарасонанд.

Чаро чор пайдарпайии MRI якҷо истифода мешаванд?

T1, T1ce, T2 ва FLAIR чор тасвире нестанд, ки як маълумоти биологиро такрор кунанд. Онҳо хусусиятҳои гуногуни бофтаро таъкид мекунанд.

Равиши асосии таҳқиқот муттаҳид кардани complementary information-и ҳамаи ин чор модалият дар як feature representation-и радиомикӣ мебошад.

Сегментатсия кадом минтақаҳоро дар бар мегирад?

Дар манбаъ аз ҷониби мутахассисон се tumor sub-region-и асосӣ муайян шудаанд:

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

Figure 2-и манбаъ ин минтақаҳоро бо рангҳои гуногун нишон медиҳад. Азбаски ин тасвирҳои радиологӣ далели визуалии маълумоти воқеии беморон мебошанд, Verianla тасвири сунъии MRI тавлид накардааст.

Номувофиқии MRI-modality дар дохили манбаъ

Тавсифи асосии усул ва Table 3 чор пайдарпайии MRI-ро:

T1, T1ce, T2 ва FLAIR

нишон медиҳанд.

Аммо дар параграфи inclusion-criteria дар шарҳи “full multimodal MRI data” T1 post-contrast, T2-weighted, FLAIR ва diffusion-weighted imaging низ оварда шудаанд.

Diffusion-weighted imaging дар pipeline-и асосии чор-модалии QFT дигар истифода намешавад. Манбаъ сабаби ин фарқро шарҳ намедиҳад. Аз ин рӯ, diffusion-weighted imaging-ро ҳамчун канали панҷуми тасдиқшудаи воридоти модел қабул кардан дуруст нест.

75 хусусияти радиомикӣ чӣ гуна сохта шуданд?

Дар рӯйхати асосии хусусиятҳои манбаъ 75 тағйирёбанда ба панҷ оила ҷудо мешаванд: shape, first-order statistics, GLCM, GLRLM ва GLSZM; ин гурӯҳҳо ҳадаф доранд геометрияи омос, тақсимоти шиддати voxel ва гетерогении бофтаро ба таври ададӣ ифода кунанд.

GLCM чист?

Gray Level Co-occurrence Matrix (GLCM) texture representation мебошад, ки ҳисоб мекунад арзишҳои шиддати ду voxel дар муносибати фазоии муайян чанд маротиба якҷо пайдо мешаванд.

Хусусиятҳои асосёфта ба GLCM на танҳо равшании миёнаи омос, балки spatial heterogeneity-ро дар дохили тасвир низ чен кардан мехоҳанд.

GLRLM чист?

Gray Level Run Length Matrix (GLRLM) дар самти муайян дарозии гурӯҳҳои пайдарпайи voxel бо сатҳи хокистарии якхела ё монандро таҳлил мекунад.

Аз ин рӯ, метавонад маълумот диҳад, ки сохтори бофтаи тасвир якхела ё бештар пора-пора аст.

GLSZM чист?

Gray Level Size Zone Matrix (GLSZM) андозаи минтақаҳои пайвастаи voxel бо сатҳи хокистарии якхеларо арзёбӣ мекунад.

Дар ҳоле ки GLRLM сохторҳои самтдори run-ро таҳлил мекунад, GLSZM ба connected zones тамаркуз мекунад.

Номувофиқии дохилии манбаъ дар шумораи хусусиятҳо

Манбаъ аввал 75 хусусиятро:

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

ба ҳамин шакл таъриф мекунад.

Аммо чанд параграф баъд 75-dimensional vector чунин тасвир мешавад:

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

ба ҳамин шакл ифода мешавад.

Ин шарҳ бо шумораи қаблии 14 shape мувофиқат намекунад.

Манбаъ шарҳ намедиҳад, ки ин фарқ аз feature-selection, modality aggregation ё усули дигари ҳисоб ба вуҷуд омадааст. Аз ин рӯ, Verianla ин фарқро бо тахмини худ ҳал намекунад.

Тасвирҳо пеш аз модел чӣ гуна коркард шуданд?

Манбаъ мегӯяд, ки барои кам кардани фарқиятҳои scanner ва acquisition дар tumor ROI z-score normalization, N4 bias-field correction ва intensity discretization истифода шуданд; сипас feature vectors-и чор модалияти MRI якҷо карда шуданд.

Z-score normalization

Z-score normalization одатан барои наздик кардани миёнаи хусусият ба сифр ва standard deviation ба як истифода мешавад.

Шакли консептуалӣ:

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

мебошад.

Ин муодила натиҷаи нави таҳқиқот нест; он шарҳи математикии қадами preprocessing мебошад, ки дар манбаъ бо “mean = 0, standard deviation = 1” тавсиф шудааст.

Дар ин ҷо:

• \(x\): арзиши аслӣ,
• \(\mu\): миёнаи тақсимоти дахлдор,
• \(\sigma\): standard deviation,
• \(z\): арзиши нормализатсияшуда.

N4 bias-field correction

Дар MRI coil sensitivity ва дигар таъсирҳои acquisition метавонанд intensity inhomogeneity-и оҳиста тағйирёбандаро дар тамоми тасвир ба вуҷуд оранд. N4 bias correction барои кам кардани ҳамин intensity variation-и пастбасомад истифода мешавад.

Intensity discretization

Манбаъ:

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

гузориш медиҳад.

Нуктаи муҳим аз ҷиҳати садоқат ба манбаъ ин аст: арзишҳои MRI intensity аз нигоҳи физикӣ шкалаи стандарти HU монанди Hounsfield Unit-и CT надоранд. Аммо мақола ин воҳидро “HU” менависад. Verianla онро бесадо ба воҳиди дигар иваз намекунад; қайд мекунад, ки манбаъ маҳз ҳамин тавр гузориш додааст.

Quantum Feature Transform чӣ гуна 75 хусусиятро ба 715 андоза мебарад?

QFT вектори аслии 75 хусусиятро нигоҳ дошта, feature-feature quadratic products, табдили Gaussian exponential-и ҳар хусусият ва хусусиятҳои иловагиеро, ки манбаъ statistical aggregates меномад, муттаҳид мекунад ва feature representation-и классикии 715-андоза месозад.

Муодилаи асосии манбаъ:

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

мебошад.

Дар ин ҷо:

• \(x\): 75 хусусияти аслии радиомикӣ,
• \(Q(x)\): quadratic interaction representation,
• \(E(x)\): exponential encoding,
• \(S(x)\): statistical aggregates.

Тақсимоти андоза, ки манбаъ медиҳад:

Ҳамагӣ:

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

Quadratic encoding чӣ мекунад?

Ҷуфтҳои гуногуни 75 хусусият:

\[ x_i x_j \]

ба ин шакл зарб зада мешаванд ва interactions-и дараҷаи дуюм ҳосил мешаванд.

Шумораи ҷуфтҳои гуногуни 75 хусусият, бидуни ҷуфт кардани хусусият бо худ:

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

Манбаъ низ 2.775 unique feature pair гузориш медиҳад.

Ин quadratic terms метавонанд, масалан, муносибатҳои nonlinear-ро модел кунанд, ки дар онҳо ду хусусият алоҳида суст, аммо якҷоя prognostic information-и қавӣ доранд.

Аммо истифодаи мустақими 2.775 тағйирёбандаи нав дар маҷмӯи маълумоте, ки 295 training patient дорад, метавонад dimensionality-и аз ҳад баланд эҷод кунад.

Аз ин рӯ, PCA истифода шудааст.

Чаро PCA истифода шуд?

Principal Component Analysis correlated high-dimensional variables-ро ба шумораи камтари orthogonal component-ҳое табдил медиҳад, ки қисми зиёди variance-ро нигоҳ медоранд.

Манбаъ аз quadratic feature space:

\[ 300 \]

principal component нигоҳ доштааст.

Гуфта мешавад, ки ин 300 компонент:

\[ 95\% \]

аз cumulative variance-и quadratic feature space-ро шарҳ медиҳанд.

PCA танҳо дар training data fit шудааст. Барои кам кардани хавфи data leakage муҳим аст, ки validation ё test data ба параметрҳои PCA таъсир нарасонанд.

Exponential encoding чист?

Барои ҳар хусусият манбаъ:

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

формаро истифода мебарад.

Дар ин ҷо:

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

Дар манбаъ арзиши оптималӣ:

\[ \sigma=1.5 \]

дода шудааст.

Ин арзиш дар training-set бо nested cross-validation тавре интихоб шудааст, ки validation AUC-ROC-ро ба ҳадди аксар расонад.

Функсия дар наздикии \(x_i=0\) арзиши баландтарин дорад. Бо зиёд шудани \(|x_i|\), арзиши exponential ба таври ғайрихаттӣ кам мешавад.

Ҳамин тавр, табдилот байни feature magnitude ва output муносибати ғайрихаттӣ месозад.

Дар ҷузъи Statistical aggregate чӣ ҳаст?

Манбаъ мегӯяд, ки барои \(S(x)\) feature-family statistics монанди mean, standard deviation, skewness ва kurtosis ҳисоб шудаанд ва дар маҷмӯъ 265 андоза ҷудо шудааст.

Аммо нишон намедиҳад, ки танҳо бо чор statistics × feature families-и зикршуда рақами 265 чӣ гуна ба даст омадааст.

Аз ин рӯ, Verianla:

• арзиши 265-ро ҳамон тавре ки дар манбаъ гузориш шудааст нигоҳ медорад,
• аммо тақсимоти зерҷузъҳоеро, ки дар манбаъ нестанд, намесозад.

Чаро ин табдилот “quantum-inspired” номида мешавад?

Муаллифон ин табдилотро ҳамчун “quantum-like representation” тавсиф мекунанд, ки feature interactions-ро дар higher-order ва nonlinear channel space ифода мекунад.

Аммо азбаски амалҳои математикӣ:

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

мебошанд, афзоиши иҷроишро ҳамчун далели воқеии quantum computational advantage шарҳ додан мумкин нест.

Он чизе ки таҳқиқот нишон медиҳад, ин аст, ки ҳамин quantum-inspired feature engineering pipeline-и мушаххас бо classification performance дар ин маҷмӯи маълумот алоқаманд аст.

Модели ensemble чӣ гуна сохта шудааст?

Мувофиқи Methods Section 2.3, дар feature space-и 715-андоза панҷ base learner — Random Forest, Gradient Boosting, Support Vector Machine, Logistic Regression ва XGBoost — омӯзонида шудаанд ва эҳтимолиятҳои модел бо вазнҳои оптимизатсияшуда тавассути soft voting якҷо шудаанд.

Random Forest

Gradient Boosting

Support Vector Machine

Logistic Regression

XGBoost

Вазнҳои ensemble

Ҷамъи вазнҳо:

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

Soft voting чӣ гуна кор мекунад?

Ҳар модел барои эҳтимолияти хавфи баланди як бемор:

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

медиҳад.

Ensemble probability ба таври консептуалӣ:

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

чунин ифода мешавад.

Дар ин ҷо:

• \(M\): шумораи моделҳо,
• \(w_m\): ensemble weight-и модели дахлдор,
• \(P_m\): predicted probability-и модели дахлдор.

Манбаъ мегӯяд, ки non-negative weights дар validation set тавре оптимизатсия шудаанд, ки ҷамъашон 1 бошад.

Номувофиқии дохилии манбаъ дар меъмории модел

Дар ин ҷо мушкили ҷиддии мутобиқати манбаъ вуҷуд дорад:

• Section 2.3 панҷ моделро муайян мекунад: Random Forest, Gradient Boosting, SVM, Logistic Regression ва XGBoost — 5 модел.
• Ensemble weights дар Section 2.3 низ ба ҳамин панҷ модел вазн медиҳанд.
• Аммо Figure 4 зери ибораи “4 models” XGBoost, Random Forest, Extra Trees ва Gradient Boosting-ро нишон медиҳад.
• Дар Figure 6 Extra Trees, Gradient Boosting, Random Forest, XGBoost ва calibrated SVM дида мешаванд.
• Дар Figure 6 Logistic Regression нест.

Манбаъ шарҳ намедиҳад, ки ин рӯйхатҳои гуногуни моделҳо ба марҳилаҳои гуногуни таҷриба тааллуқ доранд ё номувофиқии расм/матн мебошанд.

Аз ин рӯ, Verianla меъмории асосии моделро мувофиқи таърифи explicit-и Methods Section 2.3 шарҳ медиҳад ва Extra Trees-ро ҳамчун узви шашум ё алтернативии тасдиқшудаи final ensemble илова намекунад.

Ҳадди қарор чӣ гуна интихоб шуд?

Мувофиқи матни Methods, дар validation set ҳадҳои қарор аз 0,30 то 0,70 бо қадами 0,01 санҷида шуданд ва ҳадди 0,48 интихоб шуд, ки accuracy-ро ба ҳадди аксар мерасонад ва ҳамзамон specificity-ро аз %95 боло нигоҳ медорад; баъд ин ҳад дар test set бетағйир истифода шуд.

Диапазони санҷидашуда:

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

мебошад.

Дар матни манбаъ threshold-и интихобшуда:

\[ t=0.48 \]

гузориш шудааст.

Аммо дар тасвири pipeline-и Figure 4-и PDF:

“Optimal threshold: 0.85”

навишта шудааст.

Ин ду арзиш якбора дуруст буда наметавонанд ва манбаъ сабаби ихтилофро шарҳ намедиҳад.

Аз ин рӯ, Verianla:

• дар матни асосии усул арзиши 0,48-и Section 2.4-ро истифода мебарад,
• арзиши 0,85-и Figure 4-ро нодида намегирад,
• берун аз манбаъ тахмин намекунад, ки дар татбиқи final кадом арзиш воқеан истифода шудааст.

Accuracy, sensitivity, specificity ва AUC-ROC чӣ маъно доранд?

Ин метрикаҳо намудҳои гуногуни хатои моделро чен мекунанд; махсусан дар таснифи хавфи глиобластома sensitivity қобилияти ёфтани беморони хавфи баландро, specificity бошад қобилияти иштибоҳан ҳамчун хавфи баланд қайд накардани беморони воқеан хавфи пастро нишон медиҳад.

True Positive ва False Negative

Дар таърифи синфҳои ин таҳқиқот синфи “positive”-ро метавон хавфи баланд ҳисобид.

Пас:

• True Positive (TP): воқеан хавфи баланд ва модел ҳам хавфи баланд гуфт,
• False Negative (FN): воқеан хавфи баланд, аммо модел хавфи паст гуфт.

Дар test set:

\[ TP=58 \]

ва:

\[ FN=4. \]

True Negative ва False Positive

• True Negative (TN): воқеан хавфи паст ва модел ҳам хавфи паст гуфт,
• False Positive (FP): воқеан хавфи паст, аммо модел хавфи баланд гуфт.

Дар test set:

\[ TN=63 \]

ва:

\[ FP=0. \]

Accuracy

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

Дар ин test set:

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

Sensitivity

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

Дар ин таҳқиқот:

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

Яъне аз 62 бемори воқеии хавфи баланд 58 нафар дуруст ёфт шуданд.

Specificity

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

Дар ин ҷо:

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

Аз ин рӯ, манбаъ specificity-и %100 гузориш мекунад.

Precision

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

Дар ин ҷо:

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

False-negative rate

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

Аз назари клиникӣ ин хато махсусан муҳим аст, зеро арзёбии бемори хавфи баланд ҳамчун хавфи паст метавонад хавфи undertreatment-ро ба вуҷуд орад.

AUC-ROC

ROC curve муносибати байни sensitivity ва false-positive rate-ро ҳангоми тағйир додани classification threshold нишон медиҳад.

AUC-ROC масоҳати зери ин каҷро ифода мекунад.

Манбаъ барои тест:

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

гузориш медиҳад.

Ин арзиш нишон медиҳад, ки модел дар test set гурӯҳҳои хавфи баланд ва хавфи пастро хеле хуб тартиб медиҳад.

Аммо AUC-и баланд худ ба худ prospective clinical utility, treatment benefit ё calibration-ро кафолат намедиҳад.

Калибратсияи эҳтимолии модел чӣ гуна арзёбӣ шудааст?

Таҳқиқот танҳо classification accuracy-ро арзёбӣ накардааст; дар validation set бо reliability diagrams ва Brier score инчунин санҷидааст, ки predicted probabilities то чӣ андоза бо натиҷаҳои мушоҳидашуда мувофиқат мекунанд.

Дар манбаъ validation-set Brier score:

\[ 0.12 \]

дода шудааст.

Барои binary classification, Brier score ба таври консептуалӣ:

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

ифода мешавад.

Дар ин ҷо:

• \(p_i\): predicted probability-и модел,
• \(y_i\): binary outcome-и воқеӣ,
• \(N\): шумораи намунаҳо.

Brier score-и паст probabilistic calibration-и беҳтарро ифода мекунад; аммо барои тафсири мутлақи Brier score prevalence-и синф ва модели муқоисашаванда муҳиманд.

Усул ва Натиҷаҳои Таҳқиқот

Тақсимоти train, validation ва test чӣ гуна мехоҳад ихроҷи маълумотро пешгирӣ кунад?

Мувофиқи манбаъ, PCA, exponential bandwidth, model hyperparameters ва параметрҳои омӯхташудаи feature transformation танҳо дар training set муайян шуданд; validation set барои калибратсияи threshold ва ensemble weight истифода шуд, дар ҳоле ки test set-и 125-нафара то арзёбии ниҳоӣ ҷудо нигоҳ дошта шуд.

Тақсимот:

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

Ҳиссаи Training:

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

Validation:

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

Test:

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

Манбаъ инҳоро ба шакли гирдшудаи 60/15/25% гузориш медиҳад.

Nested 5-fold cross-validation

Base-model hyperparameter optimization дар training set бо nested 5-fold cross-validation иҷро шудааст.

Ҳамчунин арзёбии model robustness дар якҷоягии training + validation:

\[ n=370 \]

бо stratified 5-fold cross-validation анҷом дода шудааст.

Натиҷаи ensemble cross-validation

Дар манбаъ барои равиши quantum-radiomics mean cross-validation accuracy:

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

ва range:

\[ 95.89\%-98.65\% \]

дода шудааст.

Панҷ fold:

Coefficient of variation-и манбаъ:

\[ 1.27\% \]

гузориш шудааст.

Cross-validation AUC

Миёна:

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

range:

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

Figure 6 чӣ нишон медиҳад?

Figure 6-и манбаъ миёнаи 97,32%-и quantum ensemble-ро не, балки accuracy-и алоҳидаи individual base-model cross-validation-ро нишон медиҳад:

Дар Figure 6 mean:

\[ 94.72\% \]

standard deviation:

\[ 0.62\% \]

ва range:

\[ 1.75\% \]

нишон дода шудаанд.

Ин арзишҳо ба ҳамон гурӯҳи метрика бо ensemble cross-validation-и 97,32% тааллуқ надоранд.

Иҷроиши validation ва test

Validation confusion matrix

Дар validation set:

• 37 хавфи пасти воқеӣ → 37 хавфи пасти дуруст,
• 0 false positive,
• 36 хавфи баланди воқеӣ → 36 хавфи баланди дуруст,
• 1 false negative

мавҷуд аст.

Test confusion matrix

Дар test set:

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

мавҷуд аст.

Threshold sensitivity

Манбаъ мегӯяд, ки ҳангоми тағйир додани threshold байни 0,30–0,70, махсусан дар:

\[ 0.40-0.55 \]

диапазон:

• accuracy аз %92 боло,
• specificity аз %95 боло

боқӣ мондааст.

Ин таҳлил барои дастгирӣ кардани он анҷом дода шудааст, ки иҷроиши модел танҳо натиҷаи тасодуфии як нуқтаи ҳаддӣ нест.

Натиҷаҳои subgroup

Ин арзишҳои p дар манбаъ барои дастгирии он оварда шудаанд, ки байни зергурӯҳҳо performance difference-и назаррас дида нашудааст.

Аммо азбаски test set ҳамагӣ 125 бемор дорад, набояд хулоса кард, ки таҳлилҳои зергурӯҳӣ иҷроиши баробарро дар популятсияҳои демографӣ ё клиникии калонтар кафолат медиҳанд.

Санҷишҳои McNemar ва DeLong

Манбаъ дар муқоисаи quantum ensemble бо baseline:

\[ p<0.001 \]

санҷиши McNemar ва:

\[ p<0.001 \]

санҷиши DeLong-ро гузориш медиҳад.

Санҷиши McNemar фарқи paired classification errors-ро арзёбӣ мекунад, дар ҳоле ки санҷиши DeLong метавонад барои муқоисаи арзишҳои ROC AUC истифода шавад.

Натиҷаи ин санҷишҳо маънои “бартарӣ аз сабаби quantum mechanics исбот шуд”-ро надорад. Онҳо танҳо фарқи омории иҷроишро байни prediction outputs-и муқоисашуда арзёбӣ мекунанд.

Оё таҳқиқоти аблятсионӣ саҳми quantum-inspired feature transform-ро воқеан ҷудо карда метавонад?

Дар таҳқиқоти аблятсионӣ бо истифода аз ҳамон тақсимоти маълумот моделҳо дар 75 хусусияти аслии радиомикӣ бидуни quantum expansion аз нав омӯзонида шуданд ва коҳиши иҷроиш мушоҳида шуд; аммо манбаъ дар таърифи “беҳтарин baseline” аз нигоҳи accuracy номувофиқии дохилӣ дорад.

Манбаъ:

Quantum-enhanced ensemble:

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

ва:

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

гузориш медиҳад.

Мушкилоти “best baseline” дар манбаъ

Матн XGBoost-ро:

“best baseline model”

номида, accuracy 81,36% ва AUC 0,695 медиҳад.

Аммо дар ҳамон параграф accuracy-и Random Forest:

\[ 83.05\% \]

гузориш шудааст.

Аз ин рӯ:

• Аз рӯи AUC, XGBoost байни моделҳои додашуда арзиши баландтарин дорад.
• Аз рӯи Accuracy, баландтарин рақами гузоришшуда %83,05 барои Random Forest аст.

Манбаъ ҳисоби “тақрибан 15 percentage-point accuracy improvement”-ро аз 81,36% → 96,80% анҷом медиҳад:

\[ 96.80-81.36=15.44 \]

percentage point.

Аммо агар баландтарин baseline accuracy-и гузоришшуда, яъне 83,05%, асос гирифта шавад:

\[ 96.80-83.05=13.75 \]

percentage point мешавад.

Ин ҳисоби дуюм натиҷаи нави таҷрибавии Verianla нест; он танҳо фарқи арифметикии ду accuracy мебошад, ки дар манбаъ паҳлуи ҳам дода шудаанд ва барои нишон додани он оварда шудааст, ки чаро истилоҳи “best baseline” дар манбаъ номуайян аст.

Таҳлили хатои модел чӣ нишон дод?

Дар панҷ cross-validation fold 23 беморе муайян шуданд, ки се ё зиёда маротиба нодуруст тасниф шудаанд; манбаъ қисми зиёди ин ҳолатҳои душворро бо зиндамонии наздик ба ҳадди қарори 12-моҳа, намуди атипикии тасвир ё маълумоти нопурраи табобат алоқаманд кардааст.

Манбаъ:

• 23 consistently misclassified patient → %6,2 аз маҷмӯи умумии маълумот,
• 15 бемор → borderline outcome дар фосилаи ±1 моҳ аз ҳадди 12-моҳа,
• 5 бемор → atypical imaging монанди minimal contrast enhancement бо вуҷуди aggressive disease,
• 3 бемор → incomplete treatment information

гузориш медиҳад.

Ин таҳлил нишон медиҳад, ки хатогиҳои модел комилан тасодуфӣ нестанд; аммо ин муносибат causal proof нест.

Устувории Feature-importance

Барои feature-importance ranking байни cross-validation folds correlation coefficient:

\[ r=0.92 \]

гузориш шудааст.

Манбаъ дар байни тағйирёбандаҳое, ки дар ҳамаи fold-ҳо муҳим дониста шудаанд:

• tumor volume,
• sphericity,
• surface area

монанди shape features-ро таъкид мекунад.

Дар Discussion инчунин гуфта мешавад, ки хусусиятҳое монанди tumor-volume, shape irregularity ва enhancement heterogeneity plausibility-и биологӣ доранд.

Иддаои “external validation”-и манбаъ чӣ гуна бояд тафсир шавад?

Таҳқиқот бо интиқол додани равиши пешинаи brain-metastasis quantum-radiomics ба намуди дигари омос — GBM — transfer-и методологии cross-domain-ро нишон медиҳад; аммо азбаски ҳамаи беморони train, validation ва test-и модели GBM дар ин мақола аз BraTS 2020 гирифта шудаанд, дар когорти мустақили non-BraTS-и муассиса валидатсияи воқеии беруна анҷом дода нашудааст.

Ин фарқ муҳим аст.

Муаллифон гурӯҳи 125-нафараро “external test set” меноманд.

Аммо дар ҳамин таҳқиқот:

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

як cohort split-и BraTS иҷро шудааст.

Аз ин рӯ, беморони test аз training patients мустақиланд; аммо манбаи маълумот ҳамон экосистемаи benchmark аст.

Discussion инро ошкоро маҳдуд карда, мегӯяд, ки валидатсия дар:

non-BraTS datasets from institutions independent of research groups

анҷом дода нашудааст.

Муаллифон барои external validation-и воқеӣ зарур мешуморанд:

• марказҳои беморхонаи дигар аз саҳмгузорони BraTS,
• протоколҳои гуногуни тасвирбардорӣ,
• patient cohorts-и нав,
• prospective validation.

зарур будани онҳо баён карда мешавад.

Иддаои cross-domain ба чӣ асос меёбад?

Кори қаблии муаллифон методологияи quantum-radiomics барои brain metastasis survival prediction буд.

Дар ин таҳқиқот қобилияти интиқоли ҳамон консепсияи асосии transform ба glioblastoma radiomics ҳамчун “cross-domain” тафсир мешавад.

Аммо мақолаи ҳозира quantitative results-и cohort-и пешинаи brain-metastasis-ро паҳлу ба паҳлу дубора пешниҳод намекунад.

Худи манбаъ ҳам эътироф мекунад, ки cross-domain claim бар:

methodological transfer

асос ёфтааст ва side-by-side performance reporting-и ду cohort бояд дар таҳқиқоти оянда анҷом дода шавад.

Муқоиса бо усулҳои нашршуда то чӣ андоза боэътимод аст?

Манбаъ test accuracy-и %96,80-и худро бо иҷроиши пасттари гузоришшуда дар таҳқиқоти анъанавии радиомикӣ ва deep-learning муқоиса мекунад; аммо endpoint, андозаи маҷмӯи маълумот, preprocessing, train/test split ва validation rigor фарқ мекунанд, бинобар ин ин муқоисаҳо таҷрибаи мустақими head-to-head нестанд.

Худи манбаъ низ ҳангоми numerical comparison-и мустақим эҳтиёткор буданро тавсия медиҳад.

Зеро байни таҳқиқот:

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

фарқ мекунанд.

Аз ин рӯ, хулосаи “ин усул аз ҳамаи усулҳои дигар аз ҷиҳати илмӣ қатъиян беҳтар аст” танҳо бо ин ҷадвал исбот нашудааст.

Чаро чор false-negative аз нигоҳи клиникӣ муҳиманд?

Чор false-negative нишон медиҳанд, ки чор бемори воқеан хавфи баланд аз ҷониби модел ҳамчун хавфи паст нишонгузорӣ шудаанд; агар чунин хато дар автоматикунонии қарори клиникӣ, масалан коҳиш додани шиддати табобат, истифода шавад, метавонад оқибатҳои ҷиддӣ дошта бошад. Аз ин рӯ, модел бояд танҳо дар сатҳи decision-support баррасӣ шавад.

Дар test set-и манбаъ:

\[ 4/62=6.45\% \]

аз беморони хавфи баланд иштибоҳан ба синфи хавфи паст дода шудаанд.

Муаллифон дар Section 3.1 инро ошкоро “significant clinical concern” меноманд.

Аз ин рӯ, танҳо таъкид кардани %100 specificity метавонад гумроҳкунанда бошад.

%100 specificity:

“Беморони хавфи паст иштибоҳан хавфи баланд нишонгузорӣ нашуданд.”

ро дорад.

Ин маънои онро надорад:

“Ҳамаи беморони хавфи баланд пайдо шуданд.”

Зеро sensitivity %93,55 мебошад.

Номувофиқии false-negative дар Discussion

Дар бахши Discussion-и манбаъ барои чор false-negative шарҳи монанди “all but one case borderline survival” дода мешавад, аммо барои як ҳолат:

survival = 16 months

гуфта мешавад.

Аммо мувофиқи таърифи binary endpoint-и худи таҳқиқот:

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

аз ин рӯ, беморе, ки воқеан 16 моҳ зинда мондааст, наметавонад ҳамчун high-risk true class false-negative бошад.

Манбаъ ин номувофиқии мантиқиро шарҳ намедиҳад.

Аз ин рӯ, Verianla ибораи 16-моҳаро ҳамчун далели таҳлили клиникии false-negative истифода намекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Бо истифода аз хусусиятҳои радиомикии MRI-и бисёрмодалии 494 бемори GBM дар BraTS 2020 binary survival-risk classification бо ҳадди 12 моҳ анҷом дода шудааст.
• Quantum-inspired transformation-и истифодашуда дар манбаъ дар компютери классикӣ кор мекунад.
• 75 хусусияти радиомикӣ дар усули манбаъ ба representation-и 715-андоза васеъ шудаанд.
• Pairwise quadratic interaction space 2.775 feature pair дорад ва ба 300 PCA component кам карда мешавад.
• 300 component %95 аз quadratic variance-ро нигоҳ медорад.
• Gaussian exponential bandwidth ҳамчун \(\sigma=1.5\) интихоб шудааст.
• Methods Section 2.3 weighted soft-voting ensemble бо панҷ learner-и классикии machine-learning муайян мекунад.
• Дар test n=125 accuracy-и %96,80 гузориш шудааст.
• Test AUC-ROC %99,97 гузориш шудааст.
• Specificity %100 ва sensitivity %93,55 мебошанд.
• Чор false-negative ва сифр false-positive вуҷуд доранд.
• Five-fold cross-validation ensemble accuracy %97,32 ± %1,24 мебошад.
• Таҳқиқоти ablation бидуни quantum-inspired feature expansion performance-и пасттар гузориш медиҳад.
• Таҳқиқот дар multi-institutional BraTS data анҷом дода шудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Таҳқиқот нишон намедиҳад, ки quantum computer-и воқеӣ зиндамонии глиобластомаро пешгӯӣ кардааст.
• Quantum supremacy ё quantum computational advantage нишон дода нашудааст.
• Модел дар prospective clinical trial санҷида нашудааст.
• Исбот нашудааст, ки модел treatment decisions-ро бехатар автоматӣ карда метавонад.
• Дар когорти мустақили non-BraTS-и беморхона валидатсия анҷом дода нашудааст.
• Модел continuous survival time-ро пешгӯӣ намекунад; binary endpoint-и 12-моҳаро истифода мебарад.
• %100 specificity маънои дуруст муайян шудани ҳамаи беморони хавфи баландро надорад.
• Муқоиса бо усулҳои нашршудаи deep-learning head-to-head retraining дар ҳамон cohort нест.
• Барои намудҳои дигари саратон, CT, PET ё ultrasound ҳамон performance нишон дода нашудааст.
• Модел барои rare GBM subtypes ё underrepresented demographic groups performance-и баробар нишон додааст, гуфта намешавад.
• Clinical cost-effectiveness бо formal health-economic study исбот нашудааст.
• Нишон дода нашудааст, ки талаботи Manual/expert tumor segmentation дар клиникаи воқеӣ комилан автоматӣ ҳал шудааст.

Маҳдудиятҳои асосии таҳқиқот

Нуктаҳое, ки манбаъ зикр мекунад ва тафсири натиҷаҳоро маҳдуд месозанд:

1. BraTS 2020 curated ва preprocessed benchmark dataset мебошад.
2. Барои Clinical deployment reliable automatic segmentation лозим аст.
3. 12-моҳаи binary cutoff continuous survival information-ро аз даст медиҳад.
4. Умумисозӣ барои Rare GBM subtypes ва underrepresented demographic groups маҳдуд аст.
5. Non-BraTS independent institutional validation анҷом дода нашудааст.
6. Prospective validation анҷом дода нашудааст.
7. Brain metastasis → GBM cross-domain claim side-by-side quantitative comparison надорад.

Самтҳои пешниҳодшуда барои таҳқиқоти оянда

Манбаъ барои оянда:

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

монанди самтҳои валидатсия ва рушдро пешниҳод мекунад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Quantum Radiomics Ensemble Model for Glioblastoma Survival Prediction and External Validation on BraTS 2020

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

Тартиби муаллифон: Тартиби манбаъ нигоҳ дошта шудааст.

Corresponding author: Damiana Teliti.

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

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

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

Маҷалла: The Open Neuroimaging Journal.

Ношир: Bentham Open / Bentham Science.

Навъи манбаъ: Research Article.

Вазъи peer review: The Open Neuroimaging Journal маҷаллаи peer-reviewed аст; ин таҳқиқот мақолаи нашршудаи илмӣ мебошад.

Ҷилд: 19.

E-location ID: e18744400478846.

DOI: 10.2174/0118744400478846260616061026.

Received: 14 Январ 2026.

Revised: 6 Апрел 2026.

Accepted: 8 Апрел 2026.

Published: 2 Июл 2026.

Пайванди расмӣ: https://doi.org/10.2174/0118744400478846260616061026

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

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

Тарҳи таҳқиқот: retrospective secondary analysis ва machine-learning classification дар publicly available de-identified BraTS 2020 data.

Намуна: 494 бемори глиобластома.

Тақсимоти маълумот: 295 train / 74 validation / 125 test.

Endpoint-и асосии клиникӣ: 12-month overall survival threshold.

Усули асосӣ: feature extraction дар асоси PyRadiomics → quantum-inspired feature transformation → weighted ensemble classification → validation-threshold calibration → held-out test evaluation.

Quantum hardware: Истифода нашудааст. Табдилот дар CPU-и классикӣ бо NumPy ва scikit-learn иҷро шудааст.

Версияи PyRadiomics: v3.0.

Стандартизатсияи радиомика: Таърифҳои IBSI асос гирифта шудаанд.

Шумораи хусусиятҳо: Ибтидо 75; баъди QFT 715.

Шумораи Quadratic pair: 2.775.

Quadratic PCA component: 300.

PCA cumulative variance: %95.

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

Вақти ҳисобкунии QFT: Мувофиқи манбаъ тақрибан 2–3 дақиқа/бемор дар CPU-и стандартӣ.

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

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

Манбаи Threshold: Матни Section 2.4 0,48 гузориш медиҳад.

Номувофиқии Threshold: Дар Figure 4-и манбаъ “Optimal threshold: 0.85” навишта шудааст. Манбаъ ин зиддияти 0,48/0,85-ро шарҳ намедиҳад. Verianla 0,48-и матни усулро дар шарҳи асосӣ истифода кардааст ва арзиши Figure 4-ро пинҳон накардааст.

Номувофиқии рӯйхати моделҳо: Section 2.3 панҷ learner — RF, Gradient Boosting, SVM, Logistic Regression ва XGBoost — муайян мекунад. Figure 4 чор модел — XGBoost, Random Forest, Extra Trees ва Gradient Boosting — нишон медиҳад. Figure 6 бошад Extra Trees, Gradient Boosting, Random Forest, XGBoost ва calibrated SVM-ро пешниҳод мекунад. Манбаъ фарқро шарҳ намедиҳад.

Номувофиқии Feature-count: Section 2.2 аввал 14 shape + 18 first-order + 22 GLCM + 16 GLRLM + 5 GLSZM = 75 медиҳад; баъд 75-vector-ро ҳамчун 63 texture/first-order + 12 shape тавсиф мекунад. Манбаъ фарқро шарҳ намедиҳад.

Номувофиқии MRI-modality: Pipeline-и асосӣ T1, T1ce, T2 ва FLAIR-ро истифода мекунад. Параграфи Inclusion-criteria diffusion-weighted imaging-ро низ ном мебарад. Манбаъ баъд нишон намедиҳад, ки DWI дар вуруди QFT истифода шудааст.

Номувофиқии Ablation: Манбаъ XGBoost-ро “best baseline model” бо 81,36% accuracy ва 0,695 AUC меномад; дар ҳамон параграф Random Forest бо 83,05% accuracy гузориш шудааст. Аз ин рӯ, калимаи “best” аз нигоҳи accuracy пурра бо матн мувофиқат намекунад.

Номувофиқии False-negative Discussion: Синфи High-risk ҳамчун survival <12 моҳ муайян шудааст, аммо дар шарҳи false-negative дар Discussion survival-и 16-моҳа зикр мешавад. Азбаски ин арзиш бо таърифи binary class-и худи таҳқиқот мувофиқ ба назар намерасад, Verianla онро ҳамчун далели хулосаи клиникӣ истифода накардааст.

Маҳдудияти External-validation: Гурӯҳи тестии 125-нафара дар сатҳи бемор аз training ва validation ҷудо шудааст; аммо ҳамаи 494 бемор аз BraTS 2020 мебошанд. Discussion-и худи манбаъ ошкоро мегӯяд, ки валидатсия дар non-BraTS independent institution dataset анҷом дода нашудааст.

Маҳдудияти истифодаи клиникӣ: Модел дар prospective clinical trial валидатсия нашудааст ва ҳамчун treatment decision algorithm санҷида нашудааст. Муаллифон дар Section 3.1 пешниҳод мекунанд, ки натиҷа ҳамчун probabilistic decision support дида шавад.

Этика: Таҳқиқот retrospective secondary analysis-и publicly available, fully de-identified BraTS 2020 data мебошад. International Burch University Ethics Committee қарор додааст, ки formal ethics approval лозим нест; approval reference number дода нашудааст.

Human/animal rights: Озмоиши нави инсон ё ҳайвон гузаронида нашудааст. Таҳқиқоти аслии тасвирбардорӣ таҳти стандартҳои ахлоқии contributing institutions-и дахлдор анҷом дода шудаанд.

Consent: Барои тасвирбардории аслӣ ва data sharing дар contributing institutions-и дахлдор consent гирифта шудааст; барои ин de-identified secondary analysis consent-и иловагӣ лозим нашудааст.

Дастрасии маълумот: Маҷмӯи BraTS 2020 тавассути CBICA/University of Pennsylvania BraTS repository ба таври кушода дастрас аст. Trained ensemble model ва analysis code метавонанд аз corresponding author бо reasonable request дархост шаванд.

Маблағгузорӣ: None.

Бархӯрди манфиатҳо: Муаллифон гузориш додаанд, ки бархӯрди молиявӣ ё дигари манфиатҳо вуҷуд надорад.

Acknowledgements: Declared none.

Саҳми муаллифон: Манбаъ тақсимоти муфассали нақшҳои CRediT-ро намедиҳад. Гузориш шудааст, ки ҳамаи муаллифон final manuscript-ро хонда ва тасдиқ кардаанд, дар навиштан ва бозбинӣ иштирок кардаанд ва барои дурустии таҳқиқот масъулиятро қабул кардаанд.