Bu çalışma, kalp hastalığı tahmininde klasik klinik verilerin kuantum durumlarına nasıl kodlandığının model başarısını değiştirip değiştirmediğini araştırıyor. Araştırmacılar 918 hastaya ait 11 klinik ve fizyolojik özellik içeren açık bir veri setini ön işlemeden geçirip temel bileşen analizi (Principal Component Analysis, PCA) ile yaklaşık %90 toplam varyansı koruyan 9 bileşene indirgemiş; ardından Angle Encoding (AE), Amplitude Encoding (AmE), Basis Encoding (BE), Pauli Encoding (PE) ve ZZ Feature Map (ZZFM) olmak üzere beş kuantum özellik haritasını QSVM, QKNN, QRF ve VQC olmak üzere dört kuantum sınıflandırıcıyla karşılaştırmıştır. Beş katlı çapraz doğrulamada en yüksek genel doğruluk QSVM + AE kombinasyonunda %90,26, duyarlılık %92,16, özgüllük %83,42, F1-skoru %89,68 ve ROC-AUC 0,93 olarak bildirilmiştir. Bununla birlikte sonuçların tamamı kuantum simülatöründe elde edilmiştir; çalışma gerçek kuantum donanımı üzerinde veya prospektif klinik ortamda tanısal doğrulama sunmamaktadır.

Çalışmanın önemli sonucu yalnız hangi sınıflandırıcının seçildiği değil, klasik klinik özelliklerin kuantum durumuna nasıl kodlandığının performansı büyük ölçüde değiştirebilmesidir. Örneğin QSVM, AE ile %90,26 doğruluğa ulaşırken aynı sınıflandırıcı AmE ile %79,89'a düşmekte; VQC ise AE ile %43,48 doğruluk verirken BE ile %85,87'ye çıkmaktadır. Bu nedenle kuantum makine öğrenmesi (Quantum Machine Learning, QML) değerlendirmesinde “kuantum model” tek başına yeterli bir tanım değildir; özellik haritası ile sınıflandırıcı birlikte değerlendirilmelidir.

Araştırmanın temel sorusu nedir?

Araştırmanın merkezindeki soru, kalp hastalığına ilişkin klasik klinik değişkenlerin farklı kuantum özellik haritalarıyla temsil edilmesinin kuantum sınıflandırıcıların performansını nasıl etkilediğidir. Çalışma özellikle beş kodlama tekniğini ve dört QML sınıflandırıcısını aynı genel işlem hattında karşılaştırarak özellik kodlamasının etkisini görünür kılmayı amaçlamaktadır.

Kaynak veri setinde 918 hasta kaydı, 11 girdi özelliği ve bir ikili hedef değişken bulunmaktadır. HeartDisease hedefinde 1 kalp hastalığı, 0 normal durum olarak tanımlanmıştır.

Veri dağılımı ne gösteriyor?

Çalışmanın histogram ve yoğunluk grafiklerinde yaş dağılımının ağırlıklı olarak yaklaşık 40–65 yaş aralığında yoğunlaştığı, RestingBP'nin yaklaşık 130 mmHg çevresinde ve MaxHR'nin yaklaşık 140–160 bpm çevresinde yoğunlaştığı görülmektedir. Cholesterol ve Oldpeak dağılımları sağa çarpıktır. Kategorik özellikler kodlandıktan sonra beklenen ayrık tepe yapıları görülmektedir.

Violin grafiklerinde de yaşın ağırlıklı olarak 50'li yaşlarda yoğunlaştığı, RestingBP'nin büyük bölümünün 120–150 mmHg çevresinde bulunduğu ve Oldpeak değişkeninin uzun bir pozitif kuyruğa sahip olduğu görülmektedir. Kaynak, kolesterol değişkeninde sıfıra yakın küçük bir değer grubunun placeholder veya aykırı değer olabileceğini belirtmektedir. Bununla birlikte araştırmacılar bu değerlerin PCA öncesindeki ölçekleme süreciyle ele alındığını ifade etmektedir; veri geçerliliğinin ayrıca klinik olarak doğrulandığına ilişkin bir analiz sunulmamaktadır.

Korelasyonlar ne söylüyor?

Çalışmanın Pearson korelasyon ısı haritasında HeartDisease hedefiyle en belirgin ilişkilerden bazıları ST_Slope için −0,56, ExerciseAngina için +0,49, Oldpeak için +0,40, MaxHR için −0,40, ChestPainType için −0,39, Sex için +0,31 ve Age için +0,28 olarak gösterilmektedir.

Bu katsayılar veri setindeki doğrusal ilişkileri göstermektedir; tek başlarına bir özelliğin kalp hastalığına neden olduğunu kanıtlamaz. Özellikle kategorik değişkenler label encoding ile sayıya dönüştürüldüğü için Pearson korelasyon katsayılarının klinik anlamı kodlama biçiminden bağımsız bir nedensel etki olarak yorumlanmamalıdır.

PCA neden kullanıldı?

Temel Bileşen Analizi, hem işlem yükünü azaltmak hem de korelasyonlu başlangıç değişkenlerini daha az sayıda ortogonal bileşene dönüştürmek amacıyla kullanılmıştır. Çalışmanın açıklanan varyans grafiğine göre ilk 9 temel bileşen toplam varyansın yaklaşık %90'ını korumaktadır. Bu nedenle sonraki kuantum kodlama ve sınıflandırma aşamalarında dokuz bileşen kullanılmıştır.

PCA burada klinik değişkenlerin doğrudan yorumlanabilirliğini azaltırken kuantum devrelerine aktarılacak boyutu sınırlandırmaktadır. Sonuç olarak modelin kuantum katmanı artık doğrudan “kolesterol”, “yaş” veya “MaxHR” üzerinde değil, bunların doğrusal birleşimlerinden oluşan temel bileşenler üzerinde çalışmaktadır.

Beş kuantum özellik haritası arasındaki fark nedir?

Angle Encoding (AE), her klasik girdiyi bir qubit dönüş açısına eşler. Kaynakta temel ifade şu şekilde verilmiştir:

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

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

Burada \(x_i\) klasik özellik değerini, \(s(\cdot)\) değeri uygun açı aralığına ölçekleyen fonksiyonu, \(R_y\) ise Y ekseni çevresindeki tek-qubit dönüşünü temsil eder. Devrenin temel kapı karmaşıklığı çalışmada \(O(n)\) olarak ifade edilmektedir. Araştırmanın en yüksek doğruluğu bu kodlamayla elde edilmiştir.

Amplitude Encoding (AmE), özellikleri qubitlerin dönüş açıları yerine doğrudan kuantum durumunun genliklarına yerleştirir:

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

Kaynakta \(0\leq k<d\) için \(\alpha_k=x_k/\|x\|_2\), kalan durumlar için ise sıfır olarak tanımlanmaktadır. AmE'nin avantajı daha fazla klasik özelliği daha az qubitin durum genliklarında temsil edebilmesidir; dezavantajı ise genel state preparation işleminin mevcut kuantum donanımında maliyetli olabilmesidir.

Basis Encoding (BE), eşiklenmiş ikili özellik vektörünü doğrudan computational basis durumuna dönüştürür:

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

Bu yaklaşım yalnız X kapıları gerektirdiğinden çalışmada çok sığ ve düşük maliyetli bir kodlama olarak değerlendirilmiştir. Ancak sürekli özelliklerin ikili hâle getirilmesi bilgi kaybı oluşturabilir.

Pauli Encoding (PE), özellikleri ardışık Pauli dönüşleriyle kodlamaktadır:

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

Tek bir eksene dayanan Angle Encoding'e göre daha zengin trigonometrik bir temsil oluşturmayı amaçlar. Çalışmada sığ devre özelliğini büyük ölçüde korurken basit qubitler arası ilişkilerin ek entanglement katmanlarıyla temsil edilebileceği belirtilmektedir.

ZZ Feature Map (ZZFM) ise özelliklerin hem tekil hem de ikili etkileşimlerini kuantum fazına kodlar:

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

Buradaki \(x_ix_j\) çarpım terimleri, ikinci dereceden özellik etkileşimlerinin kuantum durumuna doğrudan aktarılmasını sağlar. Bunun bedeli ise AE ve BE'ye göre daha fazla entangling gate ve daha yüksek devre maliyetidir.

QSVM nasıl çalışıyor?

Quantum Support Vector Machine (QSVM), klasik SVM'nin karar mekanizmasını korurken örnekler arasındaki benzerliği klasik bir kernel yerine kuantum durumları üzerinden hesaplamaktadır. Çalışmada kuantum kernel şu şekilde tanımlanmıştır:

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

Burada iki hastanın PCA sonrası özellikleri önce seçilen kuantum özellik haritasıyla \(|\psi(x)\rangle\) ve \(|\psi(z)\rangle\) durumlarına kodlanır. Kernel bu iki durum arasındaki fidelity benzerliğidir. SVM karar fonksiyonu ise:

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

biçimindedir. Dolayısıyla çalışmadaki “kuantum” katkısı esas olarak özelliklerin kuantum uzayındaki temsilinden ve kernel hesabından gelmektedir; son sınıflandırma mantığı klasik SVM çerçevesini kullanmaktadır.

Diğer kuantum sınıflandırıcılar nasıl kurulmuş?

QKNN, klasik K-nearest neighbor mantığını korurken örnekler arasındaki yakınlığı quantum-state fidelity ile hesaplamaktadır. QRF, klasik random forest fikrini shallow variational quantum “trees” ile bir bagging topluluğuna dönüştürmektedir. VQC ise çalışmada dokuz qubit üzerinde bir variational katman kullanmakta; her qubit üzerinde \(R_Y\) ve \(R_Z\) parametrik dönüşlerinin ardından doğrusal bir CNOT entanglement zinciri uygulanmaktadır.

Çalışma neyi destekliyor, neyi desteklemiyor?

Desteklediği sonuç: Bu veri ve simülasyon koşullarında kuantum özellik haritasının seçimi sınıflandırma performansını belirgin biçimde değiştirmiş; beş özellik haritası arasında AE ile birleştirilen QSVM en yüksek genel doğruluğu vermiştir. Bazı diğer kombinasyonlar ise farklı ölçütlerde öne çıkmıştır; örneğin QSVM+PE %97,06 duyarlılık, VQC+BE ise %89,02 özgüllük ve %90,43 precision bildirmiştir.

Desteklemediği sonuç: Çalışma kuantum makine öğrenmesinin kalp hastalığı tanısında klasik makine öğrenmesine genel olarak üstün olduğunu kanıtlamamaktadır. Çalışma gerçek kuantum donanımında yürütülmemiştir, prospektif klinik çalışma değildir, tanı cihazı doğrulaması içermez ve elde edilen modelin klinik karar vermede güvenle kullanılabileceğini göstermemektedir.

Türkiye açısından ne ifade ediyor?

Çalışma Türkiye'de yürütülmemiştir ve Türkiye'deki hasta popülasyonuna özgü veri kullanmamaktadır. Yaş dağılımı, hastalık prevalansı, klinik ölçüm uygulamaları ve popülasyon özellikleri değişebileceğinden bildirilen performans değerleri Türkiye'deki sağlık kurumlarına doğrudan aktarılamaz. Türkiye bağlamında kullanılmadan önce yerel hasta verisi üzerinde bağımsız doğrulama, kalibrasyon, klinik performans ve hata analizi gereklidir.

Çalışmanın Yöntemi ve Bulguları

Uçtan uca araştırma akışı

1. 918 hasta kaydı ve 11 klinik/fizyolojik özellik içeren veri seti alındı.
2. Veri temizleme yapıldı; kategorik değişkenler label encoding ile sayısallaştırıldı.
3. Dağılımlar histogram, density plot, violin plot ve Pearson korelasyon ısı haritasıyla incelendi.
4. PCA uygulandı ve toplam varyansın yaklaşık %90'ını açıklayan 9 temel bileşen seçildi.
5. Veriler AE, AmE, BE, PE ve ZZFM yöntemleriyle kuantum durumlarına kodlandı.
6. QSVM, QKNN, QRF ve VQC sınıflandırıcıları farklı özellik haritalarıyla değerlendirildi.
7. Performans beş katlı çapraz doğrulamayla; accuracy, specificity, sensitivity, precision, F1-score, Cohen's kappa ve ROC-AUC üzerinden ölçüldü.
8. En iyi QSVM+AE modeli ayrıca ikinci bir kalp hastalığı veri setinde değerlendirildi.

Beş özellik haritasında hangi kombinasyon öne çıktı?

Aşağıdaki değerler, kaynak çalışmadaki Tablo 3–7 ve Şekil 13'te her kodlama yaklaşımı için öne çıkan konfigürasyonları göstermektedir. Değerler aynı araştırmadaki sonuçlardan alınmış olsa da her konfigürasyonun farklı karar geometrisi vardır; tek bir performans metriği klinik üstünlüğü tek başına belirlemez.

Bu karşılaştırmada QSVM + AE en yüksek genel accuracy değerini verirken QSVM + PE'nin sensitivity değeri daha yüksektir. VQC + BE ise en yüksek specificity ve precision değerlerinden bazılarını vermektedir. Dolayısıyla “en iyi” tanımı seçilen klinik hata maliyetine göre değişebilir; örneğin hastalığı kaçırmanın ve sağlıklı kişiyi yanlış pozitif sınıflandırmanın etkileri aynı değildir.

QSVM + AE'nin beş katlı çapraz doğrulaması

Kaynağın normalize edilmiş karışıklık matrisi, hastalık bulunmayan sınıfın yaklaşık %83'ünün ve hastalık bulunan sınıfın yaklaşık %92'sinin doğru sınıflandırıldığını göstermektedir. ROC grafiğinin AUC değeri 0,93'tür. Bu performans, aynı veri ve simülasyon iş akışındaki sınıf ayırma yeteneğini göstermektedir; klinik duyarlılık veya özgüllük doğrulaması olarak yorumlanmamalıdır.

Klasik SVM ile karşılaştırıldığında fark ne kadar?

Araştırmacılar nihai QSVM+AE modelini aynı değerlendirme ortamındaki klasik SVM çekirdekleriyle de karşılaştırmıştır. Şekil 16'da doğruluk değerleri doğrusal SVM için %86,97, polinom kernel için %88,5, RBF kernel için %89,5 ve QSVM için %90,26 olarak verilmiştir.

Bu sonuç QML konfigürasyonunun çalışmadaki en güçlü klasik SVM sürümünden sayısal olarak daha yüksek doğruluk verdiğini gösterir. Ancak çalışma bu küçük performans farkı için istatistiksel anlamlılık testi veya güven aralığı temelli bir üstünlük analizi sunmamaktadır. Bu nedenle sonuç “kuantum makine öğrenmesi klasik yöntemden genel olarak üstündür” biçiminde genişletilemez.

İkinci veri setindeki doğrulama ne gösterdi?

QSVM+AE modeli, 1000 hasta kaydı ve 15 özellik içeren başka bir kalp hastalığı veri seti üzerinde de değerlendirilmiştir. Çalışmanın Şekil 17'sinde bu dış değerlendirme için accuracy 0,8969, specificity 0,8561, sensitivity 0,9118, precision 0,8884, F1-score 0,8999, kappa 0,7705 ve AUC 0,9186 olarak raporlanmaktadır.

İkinci veri setindeki performans modelin tamamen tek bir başlangıç veri bölmesine bağlı olmadığını düşündüren ek bir testtir. Bununla birlikte kaynakta bu doğrulamanın prospektif klinik çalışma, farklı hastanelerden bağımsız hasta kohortu veya gerçek kuantum donanımı testi olduğu belirtilmemektedir.

Kuantum devre maliyetleri

Bu güç maliyetleri fiziksel kuantum işlemcide ölçülmüş enerji tüketimi değildir. Araştırmacılar açıkça tüm deneylerin simülasyonda yapıldığını ve enerji değerlendirmesinin yalnız göreli, nitel bir hesaplama maliyeti göstergesi olduğunu belirtmektedir.

Gerçek kuantum bilgisayarı neden önemli bir sonraki test?

Simülatörde mantıksal qubitler idealize edilmiş koşullarda kullanılabilir. Fiziksel kuantum donanımında ise qubit bağlantı haritası, ilave routing kapıları, transpilation, gate error, readout error, calibration değişkenliği ve decoherence devre davranışını değiştirebilir. Çalışmada bu etkilerin hiçbiri benchmark işlem hattına dahil edilmemiştir.

Bu nedenle AE, BE ve PE devrelerinin “near-term hardware” açısından umut verici olduğu değerlendirmesi bir donanım ölçümü değil, devre yapısına dayalı nitel çıkarımdır. Gerçek NISQ donanımında aynı doğrulukların korunup korunmayacağı bu araştırmayla belirlenmemiştir.

Kaynak içindeki önemli tutarsızlıklar

Precision uyuşmazlığı: Özet, QSVM+AE precision değerini %88,89 olarak verir. Buna karşılık Tablo 3, Şekil 13 ve beş katlı sonuçların ortalaması 0,8739 yani %87,39'dur. İki değer aynı metrik için uyuşmamaktadır. Bu makalede ayrıntılı sonuç tablolarındaki 0,8739 değeri kullanılmış, özet değerinin farklı olduğu ayrıca belirtilmiştir.

Qubit sayısı uyuşmazlığı: Amplitude Encoding açıklaması \(n=\lceil\log_2d\rceil\) qubit gerektiğini söylerken PCA sonrasında \(d=9\) özellik kullanılmaktadır. Buna karşılık yöntem bölümü “bu araştırmada tüm deneylerde 9 qubit kullanılmıştır” ifadesini içerir ve hemen ardından 9 bileşenin “çoğu kodlama stratejisinde” 9 qubite eşlendiğini belirtir. Çalışma AmE'nin uygulamada tam olarak kaç qubitle yürütüldüğünü bu iki ifade arasında açık biçimde uzlaştırmamaktadır.

Genel üstünlük ifadesi: Özet, sonuçların klasik state-of-the-art yöntemlerden üstün olduğunu ifade ederken makalenin kendi literatür karşılaştırmasında %97,06 ve %99,96 doğruluk bildiren önceki çalışmalar bulunmaktadır. Sonuç bölümünde ise yazarlar daha temkinli biçimde bulguların klasik ML karşısında genel üstünlüğün kanıtı olarak yorumlanmaması gerektiğini açıkça belirtmektedir. Bu ikinci sınır, bilimsel yorum açısından esas alınmalıdır.

Kaynak ve Yöntem Notu

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

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

Eş birinci/eş katkı: Kaynakta belirtilmemiştir.

Sorumlu yazar: Arslan Munir.

Kurumlar: Department of Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, Florida, ABD; Department of Computer Science and Engineering, Bangladesh University, Dhaka, Bangladeş.

Kaynak türü: Hakemli araştırma makalesi; simülasyon tabanlı kuantum makine öğrenmesi ve veri analizi çalışmasıdır. Prospektif klinik çalışma değildir.

Dergi: AI.

Yayınevi: MDPI, Basel, İsviçre.

Bibliyografik kayıt: AI, 2026, 7(5), Makale 180.

DOI: 10.3390/ai7050180.

Alınma / revizyon / kabul / yayın: 25 Şubat 2026 / 16 Mayıs 2026 / 18 Mayıs 2026 / 21 Mayıs 2026.

Resmî yayın bağlantısı: DOI 10.3390/ai7050180 üzerinden MDPI'nin resmî makale kaydı.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırma dış finansman almamıştır.

Etik kurul: Institutional Review Board Statement “Not applicable” olarak bildirilmiştir.

Bilgilendirilmiş onam: “Not applicable” olarak bildirilmiştir.

Veri erişilebilirliği: Ana kalp hastalığı veri setinin Kaggle üzerinde açık biçimde erişilebilir olduğu belirtilmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yapay zekâ kullanım beyanı: Yazarlar, makalenin çeşitli bölümlerindeki İngilizce anlatımın açıklığını ve dil kalitesini geliştirmek amacıyla yapay zekâ tabanlı sohbet asistanlarından yararlandıklarını ve bütün yazarların bu beyanı inceleyip onayladığını belirtmektedir.

Yazar katkıları: Kavramsallaştırma M.M.H. ve A.M.; metodoloji M.M.H. ve A.M.; doğrulama M.H.H.H. ve A.M.; formal analiz M.H.H.H. ve A.M.; araştırma A.M. ve M.M.H.; kaynaklar M.H.H.H. ve A.M.; ilk taslak M.H.H.H. ve M.M.H.; gözden geçirme ve düzenleme A.M. ve M.H.H.H.; görselleştirme M.M.H.; danışmanlık A.M. tarafından yürütülmüştür.

Bilimsel yorum sınırı

Bu çalışma kalp hastalığı tanısı koyan klinik bir kuantum cihazının değerlendirmesi değildir. Kullanılan 918 kayıtlı veri seti ve ikinci 1000 kayıtlı veri seti üzerinde yürütülen hesaplamalı sınıflandırma deneyidir. Bütün kuantum sonuçları simülatör ortamından gelmektedir. Fiziksel qubitler, gerçek quantum backend, hardware noise, decoherence, coupling constraints, routing overhead ve readout error doğrudan test edilmemiştir.

QSVM+AE'nin %90,26 doğruluğu ve 0,93 AUC değeri bu araştırmanın veri seti, preprocessing, PCA, quantum feature map ve cross-validation koşullarına aittir. Bu değerler gerçek hastalarda %90,26 tanısal başarı garantisi anlamına gelmez.

Özellikle çalışmanın klasik RBF-SVM karşılaştırması QSVM lehine sayısal bir fark göstermesine rağmen, bu fark için raporlanmış bir istatistiksel üstünlük testi bulunmamaktadır. Dolayısıyla araştırma, kuantum makine öğrenmesinin klasik makine öğrenmesine genel üstünlüğünün kanıtı olarak sunulmamalıdır.