arXiv · Quantitative Methods· Giuseppe Di Caro, Vahagn Kirakosyan, Alexander G. Abanov 等 14 人
· 3 天前
量子认知机器学习用于预测染色体不稳定性
Quantum Cognition Machine Learning for Forecasting Chromosomal Instability
预印本 · 尚未经过同行评审
AI 导读
量子认知机器学习框架QCML从循环肿瘤细胞形态预测染色体不稳定性,在样本外验证中优于传统机器学习方法。
摘要 · AI 翻译
在液体活检诊断背景下,从循环肿瘤细胞(CTC)的形态学准确预测染色体不稳定性,能够实现对具有高转移潜能的 CTC 的实时检测。然而,由于单细胞数字病理数据的高维度和复杂性,这一任务面临重大挑战。在此,我们引入量子认知机器学习(QCML)——一种受量子启发的计算框架——的应用,用于估计转移性乳腺癌患者 CTC 中由形态学预测的染色体不稳定性。QCML 利用量子力学原理将数据表示为希尔伯特空间中的状态向量,从而实现上下文感知的特征建模、降维以及无需精选特征选择的增强泛化能力。在样本外验证 CTC 上测试时,QCML 优于传统机器学习方法,在从 CTC 衍生的形态学特征中识别预测性大尺度状态转换(pLST)状态方面取得了更高的准确率。这些初步发现支持将 QCML 作为一种新型机器学习工具,在高维度、小样本的生物医学场景中具有更优性能。QCML 能够模拟类认知学习,以从 CTC 形态学中识别具有生物学意义的染色体不稳定性预测,为液体活检中的 CTC 分类提供了一种新工具。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Quantitative Methods · arxiv.org