量子科技中心_量科网

从循环肿瘤细胞（CTCs）的形态学特征准确预测染色体不稳定性，可在液体活检诊断中实时检测具有高转移潜能的CTCs。然而，由于单细胞数字病理数据的高维性和复杂性，这带来了重大挑战。该研究团队提出应用量子认知机器学习（QCML）这一受量子启发的计算框架，通过转移性乳腺癌患者CTCs的形态特征来预测染色体不稳定性。该框架利用量子力学原理将数据表示为希尔伯特空间中的状态向量，无需人工特征选择即可实现情境感知特征建模、降维和增强的泛化能力。 在样本外验证CTCs的测试中，QCML表现优于传统机器学习方法，在通过CTCs形态特征识别预测性大规模状态转变（pLST）状态方面获得了更高准确率。这些初步发现表明，QCML作为新型机器学习工具，在高维度、小样本生物医学场景中具有卓越性能。该技术能够模拟类认知学习过程，从CTCs形态学中识别具有生物学意义的染色体不稳定性预测，为液体活检中的CTCs分类提供了创新工具。