Quantum Machine Learning for Colorectal Cancer Data: Anastomotic Leak Classification and Risk Factors

Technische Samenvatting: Kwantum Machine Learning voor Classificatie van Anastomotische Lekken

1. Het Probleem
Colorectale kanker (CRC) is een belangrijke doodsoorzaak, waarbij chirurgische resectie de primaire behandeling is. Een van de meest kritieke postoperatieve complicaties is een anastomotisch lek (AL), waarbij de chirurgisch verbonden darmweefsels niet goed genezen. Dit leidt tot levensbedreigende peritonitis en sepsis.
De uitdaging bij het voorspellen van AL-risico's ligt in de sterke class imbalance: in de gebruikte klinische cohorten komt een lek slechts voor bij ongeveer 14% van de patiënten. Klassieke machine learning-modellen neigen vaak om specifiteit (het correct identificeren van patiënten zonder lek) te maximaliseren, ten koste van de sensitiviteit (het opsporen van patiënten met een lek). In een klinische setting zijn vals-negatieven (een lek missen) echter veel gevaarlijker dan vals-positieven. Het artikel onderzoekt of Quantum Machine Learning (QML) in staat is om deze onbalans te overwinnen door complexe patronen in een hogere dimensie te detecteren die voor klassieke modellen ontoegankelijk zijn.

2. Methodologie

• Dataset en Feature Selectie:
  De studie gebruikte data van 200 patiënten (28 met een lek, 172 zonder) uit het ziekenhuis Nový Jičín. Na statistische analyse (Chi-kwadraat en multivariate regressie) werden de features gereduceerd tot vier klinisch interpreteerbare variabelen:

  1. DM: Diabetes Mellitus (risicofactor).
  2. Smoking: Roken (risicofactor).
  3. NoCoil: Plaatsing van een transanaal drain (beschermend).
  4. ACSP: Behoud van de linker colische slagader (beschermend).
     Andere factoren zoals ICG-fluorescentie werden uitgesloten om overfitting te voorkomen en de focus te leggen op de kwantumrekenkracht.

• Kwantum Architectuur (VQC):
  De auteurs gebruikten een Variational Quantum Classifier (VQC) met een 4-qubit circuit:

  • Feature Map: ZZFeatureMap (tweede-orde expansie) om klassieke data te mappen naar een hoge-dimensionale Hilbert-ruimte. Dit creëert verstrengeling (entanglement) tussen qubits via CNOT-gates, wat niet-lineaire relaties tussen de klinische variabelen mogelijk maakt.
  • Ansätze (Variational Circuits): Twee architecturen werden vergeleken:
    • RealAmplitudes (RA): Gebruikt $R_y$-rotaties en CNOT-gates (real-valued amplitudes).
    • EfficientSU2 (ESU2): Gebruikt zowel $R_y$ als $R_z$ rotaties, wat een hogere expressiviteit biedt maar een dieper circuit vereist.
  • Optimalisatie: De parameters werden geoptimaliseerd met verschillende klassieke optimizers (gradient-based: BFGS, SLSQP; gradient-free: CMA-ES, COBYLA, SPSA).

• Simulatie en Ruis:
  Omdat er nog geen grote kwantumcomputers beschikbaar zijn, werd de simulatie uitgevoerd met Qiskit AerSimulator onder realistische NISQ-omstandigheden (Noisy Intermediate-Scale Quantum). Dit omvatte een depolarizing noise model (foutkans van 5% per gate) en sampling noise (1024 shots).

3. Belangrijkste Resultaten

• Sensitiviteit vs. Specificiteit:
  Het meest opvallende resultaat is de verschuiving in het compromis tussen sensitiviteit en specificiteit.

  • Klassieke modellen (Logistic Regression, AdaBoost, MLP, etc.) hadden een maximale sensitiviteit van 66,7%, terwijl ze een hoge specificiteit behielden.
  • Kwantummodellen (QNNs) behaalden consistent een sensitiviteit van 83,3%, zonder de specificiteit drastisch te verlagen (rond de 79,4%).
    Dit betekent dat QNNs veel beter in staat zijn om de minderheidsklasse (de patiënten met een lek) te identificeren, wat cruciaal is voor klinische veiligheid.

• Prestatie en Kalibratie:

  • De EfficientSU2 (ESU2) architectuur, geoptimaliseerd met de BFGS optimizer, presteerde het beste. Deze bereikte een AUC van 0,809, wat gelijkstaat aan de beste klassieke baseline (Gaussian Naive Bayes).
  • De ESU2-BFGS configuratie had ook de beste probabilistische kalibratie (laagste Brier Score: 0,111 en Log Loss: 0,372), wat aangeeft dat de voorspelde kansen zeer nauwkeurig zijn.
  • Gradient-free optimizers zoals CMA-ES bleken robuuster tegen de ruis in de simulatie, hoewel gradient-based methoden soms lagere loss-waarden bereikten.

• Statistische Significantie:
  McNemar-tests bevestigden dat de voorspellingen van de QNNs fundamenteel verschillen van die van klassieke lineaire modellen, wat wijst op een andere inductieve bias die beter past bij de topologie van de klinische data.

4. Bijdragen en Significantie

• Klinische Impact: De studie toont aan dat QML een oplossing kan bieden voor het "vals-negatief" probleem in medische risicovoorvoorspelling. Door de sensitiviteit van 66,7% naar 83,3% te verhogen, kunnen meer patiënten met een hoog risico op een lek tijdig worden geïdentificeerd.
• Theoretisch Bewijs: Het werk levert bewijs dat kwantumfeature spaces (via verstrengeling) complexe, niet-lineaire grenzen in onbalans datasets beter kunnen scheiden dan klassieke hyperplannen.
• Robuustheid onder Ruis: Het demonstreert dat variational quantum circuits, zelfs onder simulatie van hardware-fouten (NISQ-omstandigheden), stabiel kunnen convergeren en superieure prestaties kunnen leveren ten opzichte van klassieke tegenhangers.
• Toekomstperspectief: De auteurs benadrukken dat voor echte hardware-implementatie nog werk nodig is op het gebied van foutcorrectie, kalibratie-aware loss functions en het begrijpen van de "quantum inductive bias" om te voorkomen dat modellen overgeneraliseren in de enorme Hilbert-ruimte.

Conclusie
Dit onderzoek biedt een overtuigend bewijs van concept (proof-of-concept) dat Quantum Machine Learning, specifiek variational circuits met de EfficientSU2-ansatz, superieur is in het detecteren van zeldzame, levensbedreigende complicaties (anastomotische lekken) in vergelijking met geoptimaliseerde klassieke modellen. De kernwinst zit niet noodzakelijk in een hogere algemene nauwkeurigheid (AUC), maar in de kritieke verbetering van de sensitiviteit bij onbalans data, wat direct vertaalbaar is naar betere patiëntenzorg.