[論文レビュー] Pretty Good Measurement for Radiomics: A Quantum-Inspired Multi-Class Classifier for Lung Cancer Subtyping and Prostate Cancer Risk Stratification

Giuseppe Sergioli, Carlo Cuccu+5 more|arXiv (Cornell University)|Feb 27, 2026

Radiomics and Machine Learning in Medical Imaging被引用数 0

ひとこと要約

この論文は、NSCLCサブタイプ分類と前立腺癌リスク層別化に適用された多クラス radiomics のための量子に着想を得た Pretty Good Measurement (PGM)分類器を提案し、古典的基準と比較して競争力があるか、あるいは改善を示す。

ABSTRACT

We investigate a quantum-inspired approach to supervised multi-class classification based on the \emph{Pretty Good Measurement} (PGM), viewed as an operator-valued decision rule derived from quantum state discrimination. The method associates each class with an encoded mixed state and performs classification through a single POVM construction, thus providing a genuinely multi-class strategy without reduction to pairwise or one-vs-rest schemes. In this perspective, classification is reformulated as the discrimination of a finite ensemble of class-dependent density operators, with performance governed by the geometry induced by the encoding map and by the overlap structure among classes. To assess the practical scope of this framework, we apply the PGM-based classifier to two biomedical radiomics case studies: histopathological subtyping of non-small-cell lung carcinoma (NSCLC) and prostate cancer (PCa) risk stratification. The evaluation is conducted under protocols aligned with previously reported radiomics studies, enabling direct comparison with established classical baselines. The results show that the PGM-based classifier is consistently competitive and, in several settings, improves upon standard methods. In particular, the method performs especially well in the NSCLC binary and three-class tasks, while remaining competitive in the four-class case, where increased class overlap yields a more demanding discrimination geometry. In the PCa study, the PGM classifier remains close to the strongest ensemble baseline and exhibits clinically relevant sensitivity--specificity trade-offs across feature-selection scenarios.

研究の動機と目的

• Pretty Good Measurementに基づく genuinely multi-class な量子に着想を得た分類器を動機付け、クラス依存密度演算子を識別する。
• 入力特徴を量子状態としてエンコードし、one-vs-rest の削減を用いずに単一の多結果 POVM を構築して分類を実行する。
• 標準的なベースラインの下で、2つの radiomics ベンチマーク（NSCLC 組織病理サブタイピングと PSMA-PET/CT ベースの PCa リスク層別化）でPGM分類器を評価する。
• クラス幾何学とオーバーラップが識別性能と取得の異質性に対する頑健性にどのように影響するかを分析する。

提案手法

• 各入力 x をエンコードマップによって密度演算子 rho_x に表現する。
• クラス代表を、クラスごとにエンコードされたトレーニング状態を平均して rho^(i) として量子中心として作成する。
• 混合 sigma = sum_i p_i rho^(i) と E_i = sigma^{-1/2} p_i rho^(i) sigma^{-1/2} を用いて Pretty Good Measurement で単一の l-アウトカム POVM {F_i} を構築する。適切な POVM へと完了させるために F_i = E_i + (1/l) P_ker(sigma) を用いる。
• スコア f_i(x) = tr(F_i rho_x) を算出し、予測 Cl_PGM(x) = argmax_i f_i(x) を得る。
• オプションとしてテンソルコピーを拡張する：rho_x^{⊗n} をエンコードし、クラス代表 rho^{(n)}_(i) を作成して PGM を反復して F^{(n)}_i と f^{(n)}_i(x) を得る。
• ハイパーパラメータにはエンコーディングの選択、コピー数、および再スケーリング因子 alpha が含まれ；検証データ上でこれらをグリッドサーチする。

実験結果

リサーチクエスチョン

• RQ1 高次元の生物医科学データに対して、PGMに基づく genuine multi-class 量子に着想を得た分類器は最先端の radiomics ベースラインと競合できるか？
• RQ2 NSCLCサブタイピングとPCaリスク層別化におけるクラスエンコードの幾何学とオーバーラップは識別性能にどのように影響するか？
• RQ3 IBSI標準化 radiomics パイプライン下で、マルチセンター取得変動を古典的手法と同等かそれ以上に扱えるか？
• RQ4 テンソルコピー(n>1) と特徴エンコードの選択が分類精度と頑健性に及ぼす影響はどのようか？

主な発見

• PGM に基づく分類器は NSCLC および PCa データセット全体で古典的ベースラインと一貫して競合する。
• NSCLC では特に二値分類および三クラス設定で卓越し、四クラスの場合にも競争力のある性能を示す。
• PCa では PGM アプローチは強力なアンサンブルベースラインに近接し、特徴選択シナリオ全体で臨床的に関連する感度–特異度のトレードオフを示す。
• 実験は確立された radiomics パイプライン（IBSI準拠特徴、ComBat 同化）と一致する評価プロトコルを用い、 prior work との直接比較を可能にする。
• 本研究は高次元生物医学データに対する量子に着想を得た多クラス決定規則の有効な拡張としての妥当性を支持する。