Quantum Machine Learning for Colorectal Cancer Data: Anastomotic Leak Classification and Risk Factors
تُظهر هذه الدراسة أن الشبكات العصبية الكمومية التي تستخدم ترميزات ميزات وتركيبات (ansatze) محددة تتفوق على النماذج الكلاسيكية في التنبؤ بتسربات المفاغرة القولونية من خلال تحقيق حساسية أعلى بكثير (83.3% مقابل 66.7%) في تحديد الفئة الأقلية ضمن البيانات السريرية المشوشة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الصورة الكبيرة: البحث عن الإبرة في كومة القش
تخيل أنك جراح. لقد أجريت للتو عملية معقدة لإعادة توصيل جزأين من أمعاء مريض. في معظم الأوقات، تلتئم العملية بشكل مثالي. ولكن في بعض الأحيان، تفشل عملية التوصيل ويحدث تسرب خطير. يُسمى هذا تسرب الوصلة المعوية (Anastomotic Leak - AL).
هذا كابوس طبي؛ إذ يمكن أن يؤدي إلى عدوى شديدة وحتى الوفاة. تكمن المشكلة في أن حالات التسرب نادرة، فهي تحدث في حوالي 14 حالة من بين كل 100 مريض.
كان الهدف من هذه الدراسة هو بناء برنامج حاسوبي يمكنه فحص بيانات المريض قبل الجراحة ليقول: "مهلاً، هذا المريض معرض لخطر مرتفع لحدوث تسرب".
المشكلة: فخ "النتائج السلبية الخاطئة"
في عالم التنبؤ بالمخاطر الطبية، هناك نوعان من الأخطاء:
- الإنذار الكاذب: أن تخبر مريضاً سليماً بأنه معرض للخطر. فيخضع لفحوصات إضافية، لكنه يكون بخير. (أمر مزعج، لكنه آمن).
- الخطر المفقود: أن تخبر مريضاً معرضاً للخطر بأنه آمن. فيعود إلى منزله، ثم يحدث التسرب. (أمر كارثي).
النماذج الحاسوبية التقليدية (التعلم الآلي الكلاسيكي) تشبه رجال الأمن الحذرين للغاية. فهم يكرهون ارتكاب الأخطاء، لذا يخشون إطلاق الإنذار. يفضلون السماح لبعض الأشخاص الخطيرين بالمرور بدلاً من إيقاف شخص آمن عن طريق الخطأ. في هذه الدراسة، لم ترصد النماذج القديمة سوى 66% من حالات التسرب الفعلية، أي أنها أغفلت الكثير منها.
الحل الجديد: "البلورة الكمومية"
قرر الباحثون تجربة شيء جديد: التعلم الآلي الكمومي (QML).
تخيل أن الحاسوب التقليدي مثل خريطة ثنائية الأبعاد (2D). يحاول رسم خط مستقيم للفصل بين "المرضى الآمنين" و"المرضى المعرضين للخطر". ولكن نظرًا لأن البيانات فوضوية والمرضى المعرضين للخطر مختبئون وسط الحشد، فإن الخط المستقيم ببساطة لا يعمل بشكل جيد.
أما الحاسوب الكمومي فهو مثل جهاز عرض هولوغرافي ثلاثي الأبعاد (3D). بدلاً من رسم خط على خريطة مسطحة، يقوم برفع البيانات إلى بُعد أعلى ("فضاء هيلبرت").
- التشبيه: تخيل محاولة فصل الكرات الحمراء عن الزرقاء المختلطة معاً في جرة. على طاولة مسطحة، ستكون مختلطة بشكل لا يمكن فصله. ولكن إذا استطعت رفع الجرة في الهواء وتدويرها، فقد تطفو الكرات الحمراء إلى الأعلى بينما تغوص الزرقاء إلى الأسفل.
- يستخدم الحاسوب الكمومي خدعة "الرفع" هذه للعثور على أنماط لا تستطيع الحواسيب الكلاسيكية المسطحة ثنائية الأبعاد رؤيتها.
كيف اختبروا ذلك؟
أخذ الفريق بيانات من 200 مريض حقيقي. ونظروا في أربعة عوامل رئيسية:
- السكري: هل يعاني المريض منه؟ (مثل امتلاك محرك ضعيف).
- التدخين: هل يدخن المريض؟ (مثل استخدام وقود رديء).
- الدرن الشرجي (Transanal Drain): هل استخدم الجراح درناً خاصاً؟ (مثل صمام تنفيس الضغط).
- الحفاظ على الشريان: هل حافظ الجراح على وعاء دموي معين؟ (مثل الحفاظ على خط الطاقة الرئيسي سليماً).
قاموا بتغذية هذه البيانات في حاسوب كمومي محاكى (بما أن الحواسيب الكمومية الحقيقية لا تزال نادرة ومليئة بالضجيج). جربوا "دوائر كمومية" مختلفة (طرق مختلفة لترتيب الرياضيات الكمومية) وقارنوها بالنماذج "الكلاسيكية" القديمة.
النتائج: تغيير قواعد اللعبة من أجل السلامة
كانت النتائج مثيرة للحماس، خاصة فيما يتعلق بنهج "الأولوية للسلامة":
- الحرس القديم (النماذج الكلاسيكية): رصدت 66.7% من حالات التسرب. لقد كانوا مركزين بشدة على تجنب الإنذارات الكاذبة، لذا فاتهم الكثير من المخاطر الحقيقية.
- الفريق الكمومي (الشبكات العصبية الكمومية - QNNs): رصدت 83.3% من حالات التسرب.
التشبيه:
تخيل شبكة صيد.
- الشبكة الكلاسيكية بها ثقوب كبيرة. تصطاد الأسماك الكبيرة (المخاطر الواضحة) ولكنها تسمح للأسماك الصغيرة والخطيرة (التسربات الخفية) بالسباحة عبرها.
- الشبكة الكمومية منسوجة بخيط خاص غير مرئي. إنها تصطاد جميع الأسماك تقريباً، بما في ذلك الأسماك الصغيرة والمراوغة التي فاتتها الشبكة القديمة.
والأهم من ذلك، أن النماذج الكمومية لم تكتفِ برصد المزيد من حالات التسرب فحسب، بل لم تبدأ أيضاً في إطلاق "إنذار كاذب" لكل مريض سليم. لقد وجدت توازناً أفضل.
لماذا يهم هذا؟
تثبت الورقة البحثية أن الحواسيب الكمومية ليست فقط أسرع، بل هي تفكر بشكل مختلف.
- الذكاء الاصطناعي الكلاسيكي ينظر إلى البيانات ويقول: "هذا يبدو آمناً، لذا سأقول إنه آمن".
- الذكاء الاصطناوئي الكمومي ينظر إلى البيانات ويقول: "الطريقة التي تتفاعل بها هذه العوامل في هذا الفضاء عالي الأبعاد تشير إلى خطر خفي لا يمكنني تجاهله".
العقبة (مشكلة "الضجيج")
يعترف الباحثون بأنهم استخدموا حاسوبًا كموميًا محاكيًا. الحواسيب الكمومية الحقيقية اليوم تشبه الرنانات (Tuning Forks) في وسط إعصار. فهي حساسة جداً للضجيج (الأخطاء).
- أظهرت الدراسة أنه حتى مع محاكاة "الضجيج"، لا تزال النماذج الكمومية تتفوق على النماذج الكلاسيكية.
- ومع ذلك، لاستخدام هذا في مستشفى حقيقي غداً، نحتاج إلى أجهزة أفضل وطرق أفضل لإصلاح تلك الأخطاء.
الخلاصة
هذه الدراسة هي "إثبات مفهوم". وهي توضح أنه إذا تمكنا من بناء حواسيب كمومية أفضل، فيمكننا استخدامها لإنقاذ الأرواح من خلال رصد المضاعفات الطبية النادرة والخطيرة التي يغفل عنها الذكاء الاصطناعي الحالي. الأمر يشبه الترقية من منظار ثنائي للعين إلى تلسكوب عالي القدرة: فجأة، يمكنك رؤية المخاطر التي كانت تختبئ في الظلام.
باخت-صار: وجد التعلم الآلي الكمومي طريقة ليكون أكثر حساسية للخطر دون أن يكون مفرطاً في القلق، مما قد ينقذ الأرواً عبر رصد حالات التسرب التي كان الحاسوب التقليدي يخشى الإبلاغ عنها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.