Naukowcy opracowali hybrydowy system uczenia maszynowego, który łączy obliczenia kwantowe z klasycznymi algorytmami do wczesnego wykrywania raka płuc. Badacze wykorzystali kwantowe jądra do analizy biomarkerów z wolnocząsteczkowego DNA (cfDNA) zawartego we krwi, stosując dwa podejścia: fragmentomikę i metylację DNA. Metoda koduje cechy w kwantowej przestrzeni Hilberta za pomocą map cech kątowych i gęsto-kątowych z różnymi strategiami splątania kvantowego.
System został przetestowany na podzbiorach 20 i 40 cech, a obliczone jądra kwantowe na bazie wierności zintegrowali z prekomputowanym SVM i regresją logistyczną opartą na kernel-PCA. W porównaniu z klasycznym SVM trenowanym na oryginalnych cechach, kwantowe modele jądra wykazały konkurencyjne wydajności. Szczególnie obiecujące rezultaty uzyskano w analizie fragmentomiki DNA, gdzie kilka konfiguracji 20-cechowych poprawiło wartość AUC względem klasycznego baseline'u. W przypadku metylacji klasyczne SVM osiągnęło najwyższe wyniki, ale wybrane kwantowe modele pozostały konkurencyjne.
Badanie ma istotne konsekwencje dla praktyki medycznej. Chociaż badania przesiewowe niskiej dawki tomografii komputerowej zmniejszają śmiertelność z powodu raka płuc, ich skuteczność jest ograniczona dostępnością i akceptacją pacjentów. Biomarkery z krwi oferują komplementarne podejście, ale wczesne wykrycie pozostaje trudne ze względu na heterogeniczność nowotworu i wysokowymiarowe, nieliniowe sygnały molekularne. Wykazanie, że kwantowe jądra mogą efektywnie uchwycić nieliniową strukturę fragmentacji DNA, otwiera perspektywy dla bardziej czułych testów diagnostycznych opartych na próbkach krwi.