{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5359740"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5359740","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"A Comparative Analysis of Classical Machine Learning Methods and Variational Quantum Methods for Breast Tumor Classification","abstract":"Ο καρκίνος του μαστού αντιπροσωπεύει το 36% των γυναικείων ογκολογικών περιστατικών, καθιστώντας αναγκαία τη χρήση διαγνωστικών εργαλείων υψηλής ακρίβειας. Ενώ η παραδοσιακή μηχανική μάθηση αποτελεί το καθιερωμένο πρότυπο, η παρούσα μελέτη διερευνά την αποτελεσματικότητα των Μεταβλητών Κβαντικών Ταξινομητών (VQCs) χρησιμοποιώντας δεδομένα από αναρροφήσεις με λεπτή βελόνα. Μέσω της Ανάλυσης Κύριων Συνιστωσών (PCA), επιτεύχθηκε η βέλτιστη διαχείριση της διακύμανσης των δεδομένων εντός του χώρου Hilbert που διερευνά ο κβαντικός επεξεργαστής. Τα ευρήματα αποκαλύπτουν ότι μια αρχιτεκτονική 4 qubits, με 16 κύριες συνιστώσες, κατέγραψε το 99% της διασποράς, επιτυγχάνοντας σταθερά βαθμολογίες άνω του 90% και παραμένοντας ανταγωνιστική έναντι κλασικών μεθόδων όπως η Λογιστική Παλινδρόμηση. Συνολικά, η μελέτη υπογραμμίζει πώς οι υβριδικές κβαντο-κλασικές ροές εργασίας με λίγα qubits στην εποχή του NISQ μπορούν να προσφέρουν ισχυρές και κλιμακώσιμες λύσεις για περίπλοκες ιατρικές διαγνώσεις, αποδεικνύοντας την απτή προοπτική των κβαντικών επεξεργαστών στην ογκολογία.","abstract_html":"Ο καρκίνος του μαστού αντιπροσωπεύει το 36% των γυναικείων ογκολογικών περιστατικών, καθιστώντας αναγκαία τη χρήση διαγνωστικών εργαλείων υψηλής ακρίβειας. Ενώ η παραδοσιακή μηχανική μάθηση αποτελεί το καθιερωμένο πρότυπο, η παρούσα μελέτη διερευνά την αποτελεσματικότητα των Μεταβλητών Κβαντικών Ταξινομητών (VQCs) χρησιμοποιώντας δεδομένα από αναρροφήσεις με λεπτή βελόνα. Μέσω της Ανάλυσης Κύριων Συνιστωσών (PCA), επιτεύχθηκε η βέλτιστη διαχείριση της διακύμανσης των δεδομένων εντός του χώρου Hilbert που διερευνά ο κβαντικός επεξεργαστής. Τα ευρήματα αποκαλύπτουν ότι μια αρχιτεκτονική 4 qubits, με 16 κύριες συνιστώσες, κατέγραψε το 99% της διασποράς, επιτυγχάνοντας σταθερά βαθμολογίες άνω του 90% και παραμένοντας ανταγωνιστική έναντι κλασικών μεθόδων όπως η Λογιστική Παλινδρόμηση. Συνολικά, η μελέτη υπογραμμίζει πώς οι υβριδικές κβαντο-κλασικές ροές εργασίας με λίγα qubits στην εποχή του NISQ μπορούν να προσφέρουν ισχυρές και κλιμακώσιμες λύσεις για περίπλοκες ιατρικές διαγνώσεις, αποδεικνύοντας την απτή προοπτική των κβαντικών επεξεργαστών στην ογκολογία.","abstract_has_math":false,"creators":["Χαρίσης Νικόλαος","Charisis Nikolaos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:01:51Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5359740"],"render_values":[{"text":"uoadl:5359740","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5359740","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χαρίσης Νικόλαος","Charisis Nikolaos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5359740","https://pergamos.lib.uoa.gr/uoa/dl/object/5359740"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο καρκίνος του μαστού αντιπροσωπεύει το 36% των γυναικείων ογκολογικών περιστατικών, καθιστώντας αναγκαία τη χρήση διαγνωστικών εργαλείων υψηλής ακρίβειας. Ενώ η παραδοσιακή μηχανική μάθηση αποτελεί το καθιερωμένο πρότυπο, η παρούσα μελέτη διερευνά την αποτελεσματικότητα των Μεταβλητών Κβαντικών Ταξινομητών (VQCs) χρησιμοποιώντας δεδομένα από αναρροφήσεις με λεπτή βελόνα. Μέσω της Ανάλυσης Κύριων Συνιστωσών (PCA), επιτεύχθηκε η βέλτιστη διαχείριση της διακύμανσης των δεδομένων εντός του χώρου Hilbert που διερευνά ο κβαντικός επεξεργαστής. Τα ευρήματα αποκαλύπτουν ότι μια αρχιτεκτονική 4 qubits, με 16 κύριες συνιστώσες, κατέγραψε το 99% της διασποράς, επιτυγχάνοντας σταθερά βαθμολογίες άνω του 90% και παραμένοντας ανταγωνιστική έναντι κλασικών μεθόδων όπως η Λογιστική Παλινδρόμηση. Συνολικά, η μελέτη υπογραμμίζει πώς οι υβριδικές κβαντο-κλασικές ροές εργασίας με λίγα qubits στην εποχή του NISQ μπορούν να προσφέρουν ισχυρές και κλιμακώσιμες λύσεις για περίπλοκες ιατρικές διαγνώσεις, αποδεικνύοντας την απτή προοπτική των κβαντικών επεξεργαστών στην ογκολογία.","Breast cancer accounts for 36% of female oncological cases, necessitating high-precision prognostic tools. While traditional machine learning is the standard, this study explores the efficacy of Variational Quantum Classifiers (VQCs) using breast tumor data from fineneedle aspirates. By integrating Principal Component Analysis (PCA), we managed the tradeoff between explained variance and the dimensions of the Hilbert space traversed by the quantum processor. The findings reveal that a 4-qubit configuration utilizing 16 principal components captured nearly 99% of data variance, consistently achieving classification scores above 90%. This performance demonstrates that even small-scale quantum circuits can remain competitive with sophisticated classical methods like Logistic Regression. Ultimately, the study highlights how hybrid quantum-classical pipelines with a small number of qubits can leverage quantum advantages to provide robust, scalable solutions for complex medical diagnostics."]},{"key":"dc:title","label":"Title","values":["A Comparative Analysis of Classical Machine Learning Methods and Variational Quantum Methods for Breast Tumor Classification"]}]}],"canonical_facts":{"dc:creator":["Χαρίσης Νικόλαος","Charisis Nikolaos"],"dc:date":["2026"],"dc:description":["Ο καρκίνος του μαστού αντιπροσωπεύει το 36% των γυναικείων ογκολογικών περιστατικών, καθιστώντας αναγκαία τη χρήση διαγνωστικών εργαλείων υψηλής ακρίβειας. Ενώ η παραδοσιακή μηχανική μάθηση αποτελεί το καθιερωμένο πρότυπο, η παρούσα μελέτη διερευνά την αποτελεσματικότητα των Μεταβλητών Κβαντικών Ταξινομητών (VQCs) χρησιμοποιώντας δεδομένα από αναρροφήσεις με λεπτή βελόνα. Μέσω της Ανάλυσης Κύριων Συνιστωσών (PCA), επιτεύχθηκε η βέλτιστη διαχείριση της διακύμανσης των δεδομένων εντός του χώρου Hilbert που διερευνά ο κβαντικός επεξεργαστής. Τα ευρήματα αποκαλύπτουν ότι μια αρχιτεκτονική 4 qubits, με 16 κύριες συνιστώσες, κατέγραψε το 99% της διασποράς, επιτυγχάνοντας σταθερά βαθμολογίες άνω του 90% και παραμένοντας ανταγωνιστική έναντι κλασικών μεθόδων όπως η Λογιστική Παλινδρόμηση. Συνολικά, η μελέτη υπογραμμίζει πώς οι υβριδικές κβαντο-κλασικές ροές εργασίας με λίγα qubits στην εποχή του NISQ μπορούν να προσφέρουν ισχυρές και κλιμακώσιμες λύσεις για περίπλοκες ιατρικές διαγνώσεις, αποδεικνύοντας την απτή προοπτική των κβαντικών επεξεργαστών στην ογκολογία.","Breast cancer accounts for 36% of female oncological cases, necessitating high-precision prognostic tools. While traditional machine learning is the standard, this study explores the efficacy of Variational Quantum Classifiers (VQCs) using breast tumor data from fineneedle aspirates. By integrating Principal Component Analysis (PCA), we managed the tradeoff between explained variance and the dimensions of the Hilbert space traversed by the quantum processor. The findings reveal that a 4-qubit configuration utilizing 16 principal components captured nearly 99% of data variance, consistently achieving classification scores above 90%. This performance demonstrates that even small-scale quantum circuits can remain competitive with sophisticated classical methods like Logistic Regression. Ultimately, the study highlights how hybrid quantum-classical pipelines with a small number of qubits can leverage quantum advantages to provide robust, scalable solutions for complex medical diagnostics."],"dc:identifier":["uoadl:5359740","https://pergamos.lib.uoa.gr/uoa/dl/object/5359740"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["A Comparative Analysis of Classical Machine Learning Methods and Variational Quantum Methods for Breast Tumor Classification"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:51Z"}