[论文解读] 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 0

一句话总结

本文提出一种量子启发的“Pretty Good Measurement（PGM）”分类器，用于多类放射组学，应用于 NSCLC 亚分型和前列腺癌风险分层，表现与经典基线相当或有所提升。

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.

研究动机与目标

• 基于 Pretty Good Measurement 构建一个真正的多类量子启发分类器，用于在类别相关的密度算符之间进行判别。
• 将输入特征编码为量子态，并构建一个单一的多结果 POVM 来执行分类，而不使用一对多的还原。
• 在两个放射组学基准数据集上评估 PGM 分类器（NSCLC 组织学亚分型和基于 PSMA-PET/CT 的 PCa 风险分层），在标准基线下进行比较。
• 分析类别几何和重叠如何影响判别性能以及对采集异质性的鲁棒性。

提出的方法

• 用特征映射（编码映射）将每个输入 x 表示为密度算符 rho_x。
• 通过对每个类别的编码训练状态进行平均，创建类别代表 rho^(i)（量子质心）。
• 使用 Pretty Good Measurement 构建一个单一的 l-输出 POVM {F_i}，混合 sigma = sum_i p_i rho^(i) 并设 E_i = sigma^{-1/2} p_i rho^(i) sigma^{-1/2}，再用 F_i = E_i + (1/l) P_ker(sigma) 完整为一个合适的 POVM。
• 记分 f_i(x) = tr(F_i rho_x)，并预测 Cl_PGM(x) = argmax_i f_i(x)。
• 可选地扩展为张量副本：编码 rho_x^{⊗n}，形成类别代表 rho^{(n)}_(i) 并重复 PGM 以得到 F^{(n)}_i 和 f^{(n)}_i(x)。
• 超参数包括编码选择、副本数量和缩放因子 alpha；在验证数据上对这些参数进行网格搜索。

实验结果

研究问题

• RQ1 一个真正的多类量子启发分类器基于 PGM 能否在高维生物医学数据上与最先进的放射组学基线竞争？
• RQ2 类别编码的几何形状和重叠程度如何影响 NSCLC 亚分型和 PCa 风险分层的判别性能？
• RQ3 在 IBSI 标准化的放射组学流程下，PGM 方法在多中心采集变异性处理方面是否与传统方法同样有效或更优？
• RQ4 使用张量副本（n>1）和特征编码选择对分类准确性和鲁棒性有何影响？

主要发现

• 基于 PGM 的分类器在 NSCLC 和 PCa 数据集上始终与经典基线具有竞争力。
• 在 NSCLC 中，该方法在二分类和三分类场景中尤为出色，在四分类情境下也具有竞争力。
• 在 PCa 中，PGM 方法接近强势的集成基线，并在不同特征选择情景下呈现出具有临床相关性的灵敏度-特异度权衡。
• 实验结果与公认的放射组学流程（IBSI 兼容特征、ComBat 调和化）相一致，并采用匹配的评估协议，使得与以往工作直接比较成为可能。
• 该研究支持量子启发的多类决策规则作为量子态判别在高维生物医学数据中的可行扩展。