利用量子机器学习预测食管癌患者在接受治疗前的放射性食管炎

食管癌放疗后放射性食管炎预测采用混合量子-经典机器学习方法，通过量子角度编码提取剂量分布图像的量子特征，结合经典剂量特征和临床因素，利用量子注意力机制增强模型性能。结果显示融合特征模型准确率达0.85，AUC达0.96，优于传统方法。

Congying Xie | Yichao Shen | Jiaqian He | Minrou Guo | Yiran Mu | Lei Li | Wei Wang | Menghan Dou | Yongqiang Zhou | Ji Zhang | Yao Ai | Xiance Jin

温州医科大学第一附属医院放射与肿瘤内科，中国温州，325000

摘要

目的

介绍一种混合量子-经典机器学习（QML）方法，并验证其在接受放疗或化放疗的食管癌（EC）患者中预测治疗前食管炎（RE）的可行性和准确性。

方法

本研究共纳入218名来自第一医院的EC患者（用于训练和内部验证）和55名来自第二医院的EC患者（用于外部验证），其中RE的严重程度分别为≥2级的64例和20例。剂量分布图像通过角度编码转换为量子状态。使用三种量子模型提取量子特征（Q）：1）结合量子卷积的经典卷积神经网络（Q-CNN）；2）Q-CNN加上经典注意力机制（Q-CNN+Attention）；3）Q-CNN加上量子注意力机制（Q-CNN+Q-Attention）。混合QML模型通过特征级串联整合了手工制作的剂量学特征（D）、量子特征（Q）和临床因素（C）。然后将串联的特征向量输入随机森林分类器进行RE预测。

结果

仅使用量子特征的模型在外部验证中的准确率分别为0.70（Q-CNN）、0.83（Q-CNN+Attention）和0.80（Q-CNN+Q-Attention）。特征融合（Q+D+C）提高了模型的准确率。其中，Q（Q-CNN+Q-Attention）+ D + C表现出最佳性能，训练阶段的准确率、敏感性和特异性分别为0.85、0.83、0.92；内部验证阶段的准确率、敏感性和特异性分别为0.80、0.73、0.84；外部验证阶段的准确率、敏感性和特异性分别为0.83、0.73、0.89。使用通过Q-CNN+Q-Attention提取的融合特征Q+D+C的随机森林模型在训练阶段的AUC为0.89，在内部验证阶段的AUC为0.89，在外部验证阶段的AUC为0.83，优于仅使用Q-CNN+Q-Attention的模型（训练阶段的AUC为0.78，内部验证阶段的AUC为0.78，外部验证阶段的AUC为0.80）。

结论

本研究提出了一种新的QML方法用于预测治疗前RE。通过整合量子幅度编码、量子注意力机制和多模态特征融合（Q+D+C），该模型提高了预测的准确性和可靠性，显示出在临床应用中的巨大潜力。

引言

放疗或化放疗在胸腔癌（肺癌、食管癌或乳腺癌）的治疗中起着重要作用。然而，胸腔放疗不可避免地会照射到食管黏膜，导致放射性食管炎（RE）。RE会引起食管黏膜的充血、水肿或侵蚀，从而引发吞咽困难、吞咽疼痛和胸骨后疼痛等症状，甚至可能导致食管狭窄、闭锁和气管食管瘘。严重的RE会显著降低患者的生活质量并恶化预后[1]。研究还表明，严重的RE会对胸腔癌患者的总体生存产生负面影响[2-3]。因此，RE仍然是胸腔癌患者治疗中的关键剂量限制毒性因素。提前识别出RE高风险患者有助于采取积极的应对策略，从而可能改善临床结果和生活质量。

基于剂量-体积直方图（DVH）的食管剂量学指标已被研究作为RE的预测指标，但不同研究的结果存在差异[4-5]。受放射组学的启发，从3D剂量分布图像中提取的特征（称为剂量学特征）已成为预测RE和其他放射毒性的有前景的方法[6-7]。最近，基于卷积神经网络（CNN）的深度学习（DL）方法被应用于从原始的与毒性相关的临床和剂量学数据中提取细微特征，以预测RE和其他放射毒性[8-9]。尽管基于DL的剂量学特征在性能上优于传统的手工制作的剂量学和剂量学特征模型[9]，但这些多组学方法的整体预测性能仍受到经典机器学习（ML）方法固有局限性的制约[6]。

量子计算的出现促进了量子机器学习（QML）的发展，它将经典ML与量子计算原理相结合。QML利用了量子叠加、纠缠和干涉等现象，提供了指数级的加速和新的数据处理范式[10-11]。已有研究表明，QML在肿瘤学应用[12]、药物发现[13]和大数据分类[14]方面取得了有希望的结果。QML在准确性和计算效率方面均优于经典方法[15]，显示出其在处理复杂医疗数据和预测治疗前RE方面的潜力。

因此，本研究的目的是介绍并验证一种混合量子-经典ML方法，用于接受放疗或化放疗的食管癌（EC）患者的治疗前RE预测。我们具体应用量子计算从3D剂量分布图像中提取高层次的关键特征进行分类。在量子电路的最后阶段，进行量子测量以坍缩输出状态，并将其转换为经典特征向量，以便后续处理。

研究设计

混合量子-经典ML模型整合了手工制作的剂量学特征、量子特征和临床因素，以预测EC患者治疗前RE的发生率。手工制作的剂量学特征是通过传统放射组学方法从3D剂量分布图像中提取的。量子特征则是通过量子计算方法从3D剂量分布图像中提取的，这些方法利用了复杂的量子状态和效应，提供了经典方法难以捕捉的洞察力

结果

共有218名EC患者被纳入第一医院的训练和测试，其中RE阳性（≥2级）病例数为64例（29.4%）。第二医院有55名EC患者被纳入外部验证，其中RE阳性（≥2级）病例数为20例（36.4%）。多变量分析表明，同时接受化放疗是RE的唯一显著临床预测因素，接受化放疗的患者有149例，未接受化放疗的患者有69例。

讨论

本研究提出了一种新的混合量子-经典ML框架，该框架将量子处理的剂量分布特征与经典剂量学和临床特征相结合，用于接受放疗或化放疗的EC患者的治疗前RE风险分层。我们的关键创新在于结合了量子注意力增强架构（Q-CNN+Q-Attention），其性能达到了最先进水平，训练阶段的AUC为0.96，内部验证阶段的AUC为0.88，外部验证阶段的AUC为0.85

结论

本研究建立了一个具有临床验证准确性的QML框架，用于预测RE。通过结合量子角度编码、量子注意力机制和多模态特征融合，我们的模型显著优于传统方法。我们模型的关键创新包括使用量子空间通道注意力进行剂量模式优先级排序，使用硬件高效的角编码进行3D医学图像预处理，以及多模态融合保留了互补的量子/经典特征

资金支持

本研究部分得到了国家自然科学基金（12475352, 82273570）、浙江省自然科学基金重点项目（LZ24A050008）、浙江省卫生健康科技计划重点项目（WKJ-ZJ-2437）、温州市科技局重大项目（ZY2022016, ZY2024016）、浙江省智能放疗技术创新与应用工程研究中心、浙江-香港精准诊疗合作项目的支持

披露

无。

参考文献

• 1.
  Movsas, B. 等人。非小细胞肺癌患者放疗剂量递增研究的生活质量分析：放疗肿瘤学组0617随机临床试验的二次分析。JAMA Oncol. 2, 359–367 (2016).
• 2.
  Bradley, J. D. 等人。标准剂量与高剂量适形放疗结合同步和巩固性卡铂加紫杉醇治疗IIIA期或IIIB期非小细胞肺癌患者的疗效比较（RTOG 0617）：一项