Applications of quantum AI in brain disorder diagnosis: A systematic review.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Arka plan ve objektifBeyin bozukluğu tanısı ve tahmini, nörogörüntüleme, elektrofizyolojik, davranışsal ve multimodal veriler yüksek boyutlu, gürültülü, heterojen ve küçük klinik kohortlar tarafından sınırlandığı için zorlu olmaya devam etmektedir. Bu sistematik inceleme, kuantum yapay zekanın (QAI) beyin bozukluğu tanısı, öngörüsü, tespiti ve izlenmesi için sentezlenmiş uygulamalarıdır.PRISMA yönergelerini takip eden Metodlar, 2016-13 Ocak 2026 tarihleri arasında yayınlanan çalışmalar Scopus, Web of Science ve IEEE Xplore'dan alınmıştır. Taramadan sonra 36 çalışma uygunluk kriterlerini karşıladı ve bozukluk kategorisine, veri modulalitesine, QAI yöntemine, uygulama ayarına, doğrulama stratejisine ve performansa göre nitel olarak analiz edildi.SonuçlarDaha geniş hastalık grubu düzeyinde nörodejeneratif bozukluklar en sık araştırılmış, ardından akıl sağlığı ve psikiyatrik bozukluklar takip edilmiştir. Bireysel düzeyde, Parkinson hastalığı ve şizofreni önde gelen uygulamalardı, ardından depresyon, anksiyete, Alzheimer hastalığı ve stresle ilgili görevler geldi. MRI tabanlı modaliteler en sık kullanılan veri kaynağıydı ve bunu multimodal veriler ve EEG izledi. Metodolojik olarak, birincil QAI yaklaşımları kuantum nöral ve QDL mimarileri tarafından domine edildi, ardından kuantum esinli optimizasyon veya özellik-seçim yöntemleri ve kuantum-kernel/konvansiyonel QML sınıflandırıcıları izledi. Qiskit/IBM Quantum ve PennyLane en sık rapor edilen kuantum yazılım çerçeveleriydi. Bununla birlikte, çoğu çalışma simülatörlere, klasik kuantum esinli uygulamalara veya belirsiz uygulama ayarlarına dayanıyordu, sınırlı gerçek donanım değerlendirmesi ile.ConclusionsQAI, özellikle hibrid kuantum-klasik öğrenme, kuantum nöral mimariler, kuantum-kernel yöntemleri ve kuantum esinli optimizasyon yoluyla beyin bozukluğu analizi için ortaya çıkan potansiyeli göstermektedir. Bununla birlikte, mevcut kanıtlar ön planda kalır ve daha büyük veri kümeleri, konu düzeyinde ve dış doğrulama, adil klasik kıyaslama, gürültüye dayanıklı devreler, gerçek kuantum donanım değerlendirmesi, açıklanabilirlik ve klinik doğrulama gerektirir.

Özgün kaynak özetini okuyun

Background and objectiveBrain disorder diagnosis and prediction remain challenging because neuroimaging, electrophysiological, behavioral, and multimodal data are high-dimensional, noisy, heterogeneous, and limited by small clinical cohorts. This systematic review synthesised applications of quantum artificial intelligence (QAI) for brain disorder diagnosis, prediction, detection, and monitoring.MethodsFollowing PRISMA guidelines, studies published from 2016 to 13 January 2026 were retrieved from Scopus, Web of Science, and IEEE Xplore. After screening, 36 studies met the eligibility criteria and were qualitatively analysed according to disorder category, data modality, QAI method, implementation setting, validation strategy, and performance.ResultsAt the broader disease-group level, neurodegenerative disorders were the most frequently investigated, followed by mental health and psychiatric disorders. At the individual level, Parkinson's disease and schizophrenia were the leading applications, followed by depression, anxiety, Alzheimer's disease, and stress-related tasks. MRI-based modalities were the most frequently used data source, followed by multimodal data and EEG. Methodologically, primary QAI approaches were dominated by quantum neural and QDL architectures, followed by quantum-inspired optimization or feature-selection methods and quantum-kernel/conventional QML classifiers. Qiskit/IBM Quantum and PennyLane were the most frequently reported quantum software frameworks. However, most studies relied on simulators, classical quantum-inspired implementations, or unclear implementation settings, with limited real-hardware evaluation.ConclusionsQAI shows emerging potential for brain disorder analysis, particularly through hybrid quantum-classical learning, quantum neural architectures, quantum-kernel methods, and quantum-inspired optimization. Nevertheless, current evidence remains preliminary and requires larger datasets, subject-level and external validation, fair classical benchmarking, noise-resilient circuits, real quantum hardware evaluation, explainability, and clinical validation.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.