Konuşmacılar
Açıklama
Gliomalar, en sık görülen malign primer beyin tümörleridir. Sağ kalım olasılıkları, uygulanan tedaviler ve prognoz süreçleri, Düşük dereceli gliomalar (DDG) ve yüksek dereceli gliomalar (YDG) için farklı olduğundan, erken safhada bu ayrım yada sınıflandırma ciddi bir önem taşımaktadır. 2016'dan itibaren genomik moleküler işaretçiler de Dünya Sağlık Örgütü (DSÖ) sınıflandırmasına dahil edilmiştir. Fakat, moleküler genetik test maliyetlerinin çok fazla olması ve testlerin kolayca ulaşılamaz olması ile sonuçların elde edilme süreci haftalarca sürebilmekte, bu da kritik tedavi kararlarının gecikmesine neden olabilmektedir. Bu problemlerin üstesinden gelebilmek için, makine öğrenmesi ve derin öğrenme gibi, çeşitli klasik yapay zeka yöntemleri bu alanda ki problemlerin çözümüne uygulanmakta ve belirli düzeyde sonuçlar elde edilmektedir. Fakat, medikal veri boyutlarının sürekli artması, verilerin sahip olduğu gürültü seviyesi, zayıf çözünürlük gibi problemler, günümüzdeki klasik yapay zeka yöntemlerinin üstesinden gelmekte zorlandığı en önemli sorunlardan bazılarıdır. Son yıllarda yapılan çalışmalar göstermiştir ki, sağlık alanında kuantum hesaplama ve kuantum yapay zeka teknolojilerinin kullanımı, bu problemleri çözmenin yanı sıra, karmaşık veri analizlerini hızlandırmakta ve büyük veri setlerini daha verimli bir şekilde işleyebilmektedir. Bu çalışmada, NISQ kuantum bilgisayarları ile uyumlu, daha az devre elemanına sahip bir varyasyonel kuantum sınıflandırıcı modeli önerildi ve Kanser Genom Atlası (TCGA) verileri kullanılarak DDG ile YDG sınıflandırma noktasında, 0.75 doğruluk değeri elde edildi.
Join Zoom Meeting
https://tubitak-gov.zoom.us/j/93091160178?pwd=VHJ0UUEwcUJTNzhIcm5QN0VkYjFRdz09
Meeting ID: 930 9116 0178
Passcode: 497969