Tıbbi Fizikte Kuantum Hesaplama, Kuantum Makine Öğrenmesi ve Kuantum Mekaniksel İlkeler: PRISMA 2020 Uyumlu Sistematik Bir Derleme

Abstract

Amaç: Kuantum hesaplama, kuantum makine öğrenmesi ve kuantum mekaniksel ilkelerin bir araya gelmesi, tıbbi fizikte yükselen bir paradigmayı temsil etmektedir. Klasik yöntemler; tedavi planlama, moleküler ölçekte ilaç simülasyonu ve tıbbi görüntü yorumlamada kesin sınırlarla karşılaşmaktadır. Dört kuantum olgusu (süperpozisyon, dolaşıklık, kuantum tünelleme ve kuantum eşevreliliği) hem donanım tabanlı algılama hem de algoritmik çerçeveler aracılığıyla bu engellerin etrafından dolaşan ayrı yollar sunar. Bu derlemenin amacı, tıbbi fizikte kuantum hesaplama, kuantum makine öğrenmesi ve kuantum mekaniksel ilkelerin uygulamalarına ilişkin kanıtları sistematik olarak belirlemek, değerlendirmek ve sentezlemek; kanıt tabanını haritalandırmak, klinik hazırlık düzeyini değerlendirmek ve bir araştırma yol haritası önermektir.

Gereç ve Yöntemler: PRISMA 2020 ile uyumlu sistematik bir arama PubMed/MEDLINE, Scopus, IEEE Xplore, Web of Science, arXiv ve bioRxiv veri tabanlarında yürütülmüştür (Ocak 2015 – Mart 2026). İki bağımsız değerlendirici, belirlenen 5.248 kaydı taramıştır. Yinelenen kayıtların çıkarılması, tarama ve uygunluk değerlendirmesinin ardından 133 çalışma niteliksel senteze, 89 çalışma niceliksel performans karşılaştırmasına dâhil edilmiştir. Metodolojik kalite, değiştirilmiş bir CLAIM kontrol listesi ve QUADAS-2 çerçevesi kullanılarak değerlendirilmiştir.

Bulgular: Dört uygulama kümesi ortaya çıkmıştır. Süperpozisyon, hiperpolarize ¹³C MRG (teknoloji hazırlık düzeyi (THD) 7) ve hibrit kuantum evrişimli sinir ağı mimarilerinin temelini oluşturur. Dolaşıklık, OPM-MEG nörogörüntülemeyi (THD 6–7) ve kuantum çekirdek sınıflandırmayı mümkün kılar. Kuantum tünelleme, radyoterapi optimizasyonunu (THD 4–5) yönlendirir. Kuantum eşevreliliği, ilaç keşfi için varyasyonel algoritmaları (THD 2–3) ve kuantum nokta teranostiklerini (THD 3–4) destekler. Hibrit kuantum-klasik yöntemler klasik temel modellerden daha iyi performans göstermiş; ancak çalışmaların çoğu yüksek yanlılık riski taşımıştır.

Sonuç: Kuantumla güçlendirilmiş algılama ve hibrit kuantum-klasik tedavi planlama, yakın vadede klinik aktarım için inandırıcı hedeflerdir. Hata toleranslı ilaç simülasyonu ve büyük ölçekli kuantum yapay zekâ, 2030 sonrası donanım olgunlaşmasını beklemektedir. Kritik kolaylaştırıcılar arasında standartlaştırılmış kıyaslama, kuantuma özgü düzenleyici kılavuzlar ve eşitlik planlaması yer alır.

Keywords

• Kuantum hesaplama
• Kuantum makine öğrenmesi
• Tıbbi fizik
• NISQ
• Sistematik derleme
• PRISMA 2020
• Hiperpolarize MRG
• OPM-MEG
• Kuantum tavlama
• Varyasyonel kuantum özçözücü
• Kuantum noktalar

Ethical Statement

"Bu çalışma, etik kurul onayı gerektiren herhangi bir insan veya hayvan deneyi içermemektedir. Araştırmada etik kurallara ve yayın etiğine uygun hareket edilmiştir."

Quantum Computing, Quantum Machine Learning, and Quantum Mechanical Principles in Medical Physics: A PRISMA 2020-Compliant Systematic Review

Abstract

Objectives: The convergence of quantum computing, quantum machine learning, and quantum mechanical principles represents an emerging paradigm in medical physics. Classical methods encounter hard limits in treatment planning, molecular-scale drug simulation, and medical image interpretation. The four quantum phenomena superposition, entanglement, quantum tunneling, and quantum coherence offer distinct routes around these barriers through both hardware sensing and algorithmic frameworks.

To systematically identify, appraise, and synthesise evidence on applications of quantum computing, quantum machine learning, and quantum mechanical principles in medical physics, mapping the evidence base, assessing clinical readiness, and proposing a research roadmap.

Materials and Methods: A PRISMA 2020-compliant systematic search was conducted across PubMed/MEDLINE, Scopus, IEEE Xplore, Web of Science, arXiv, and bioRxiv (January 2015 – March 2026). Two independent reviewers screened 5,248 identified records. After deduplication, screening, and eligibility assessment, 133 studies were included in the qualitative synthesis and 89 in the quantitative performance comparison. Methodological quality was assessed using a modified CLAIM checklist and QUADAS-2 framework.

Results: Four application clusters emerged. Superposition underpins hyperpolarized ¹³C MRI (technology readiness level (TRL) 7) and hybrid quantum CNN architectures. Entanglement enables OPM-MEG neuroimaging (TRL 6–7) and quantum kernel classification. Quantum tunneling drives radiotherapy optimisation (TRL 4–5). Quantum coherence supports variational algorithms for drug discovery (TRL 2–3) and quantum dot theranostics (TRL 3–4). Hybrid quantum–classical methods outperformed classical baselines, though most studies showed high risk of bias.

Conclusions: Quantum-enhanced sensing and hybrid quantum–classical treatment planning are credible near-term clinical translation targets. Fault-tolerant drug simulation and large-scale quantum AI await hardware maturation beyond 2030. Critical enablers include standardised benchmarking, quantum-specific regulatory guidance, and equity planning.

Keywords

• Quantum computing
• Quantum machine learning
• Medical physics
• NISQ
• Systematic review
• PRISMA 2020
• Hyperpolarized MRI
• OPM-MEG
• Quantum annealing
• Variational quantum eigensolver
• Quantum dots

Ethical Statement

"This study does not involve any human or animal experiments that require ethical committee approval. The research was conducted in accordance with ethical standards and publication ethics

References

1. Tierney TM, Holmes N, Mellor S, López JD, Roberts G, Hill RM, et al. Optically pumped magnetometers: from quantum origins to multi-channel magnetoencephalography. Neuroimage 2019;199:598-608.
2. Brookes MJ, Boto E, Rea M, Shah V, Osborne J, Holmes N, et al. Theoretical advantages of a triaxial optically pumped magnetometer magnetoencephalography system. Neuroimage 2021;236:118025.
3. Woitek R, Brindle KM. Hyperpolarized carbon-13 MRI in breast cancer. Diagnostics (Basel) 2023;13(13):2311.
4. Arute F, Arya K, Babbush R, Bacon D, Bardin JC, Barends R, et al. Quantum supremacy using a programmable superconducting processor. Nature 2019;574(7779):505-510.
5. Zhong HS, Wang H, Deng YH, Chen MC, Peng LC, Luo YH, et al. Quantum computational advantage using photons. Science 2020;370(6523):1460-1463.
6. Biamonte J, Wittek P, Pancotti N, Rebentrost P, Wiebe N, Lloyd S. Quantum machine learning. Nature 2017;549(7671):195-202.
7. McArdle S, Endo S, Aspuru-Guzik A, Benjamin SC, Yuan X. Quantum computational chemistry. Rev Mod Phys 2020;92(1):015003.
8. Preskill J. Quantum computing in the NISQ era and beyond. Quantum 2018;2:79.

9. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ 2021;372:n71.
10. Rahimi M, Asadi F. Oncological applications of quantum machine learning. Technol Cancer Res Treat 2023;22:15330338231215214.
11. Ajlouni N, Özyavaş A, Takaoğlu M, Takaoğlu F, Ajlouni F. Medical image diagnosis based on adaptive hybrid quantum CNN. BMC Med Imaging 2023;23(1):126.
12. Pakela JM, Tseng HH, Matuszak MM, Ten Haken RK, McShan DL, El Naqa I. Quantum-inspired algorithm for radiotherapy planning optimization. Med Phys 2019;47(1):5-18.
13. Rahimi R, SaiToh A, Modiri A, Nakano Y, Okada KN, Tsukano S, et al. Quantum computing for radiation therapy optimization. Med Phys 2026;53(1):e70269.
14. Malekmohammadi M, Dabiri K, Mathews J, Nazareth DP, Tamura H, Sheikholeslami A. A Hamiltonian engine for radiotherapy optimization. In: Proceedings of the 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2020). 2020. p. 5085-5088.
15. Chow JCL. Quantum computing in medicine. Med Sci (Basel) 2024;12(4):67.
16. Li W, Yin Z, Li X, Ma D, Yi S, Zhang Z, et al. A hybrid quantum computing pipeline for real world drug discovery. Sci Rep 2024;14(1):16942.
17. Bhatia AS, Saggi MK, Kais S. Quantum machine learning predicting ADME-Tox properties in drug discovery. J Chem Inf Model 2023;63(21):6476-6486.
18. Blunt NS, Camps J, Crawford O, Izsák R, Leontica S, Mirani A, et al. Perspective on the current state-of-the-art of quantum computing for drug discovery applications. J Chem Theory Comput 2022;18(12):7001-7023.
19. Kong L, Wang J, Zhang Y, Liang K, Li J, Xue X, et al. Lysosome-targeted silicon quantum dots theranostics for simultaneous fluorescent imaging and photodynamic therapy. Biomed Mater 2023;18(5).
20. Huang HY, Broughton M, Mohseni M, Babbush R, Boixo S, Neven H, et al. Power of data in quantum machine learning. Nat Commun 2021;12(1):2631.
21. Rebentrost P, Mohseni M, Lloyd S. Quantum support vector machine for big data classification. Phys Rev Lett 2014;113(13):130503.
22. Schuld M, Killoran N. Quantum machine learning in feature Hilbert spaces. Phys Rev Lett 2019;122(4):040504.
23. Daley AJ, Bloch I, Kokail C, Flannigan S, Pearson N, Troyer M, et al. Practical quantum advantage in quantum simulation. Nature 2022;607(7920):667-676.
24. Slocombe L, Sacchi M, Al-Khalili J. An open quantum systems approach to proton tunnelling in DNA. Commun Phys 2022;5(1):109.
25. Engel GS, Calhoun TR, Read EL, Ahn TK, Mančal T, Cheng YC, et al. Evidence for wavelike energy transfer through quantum coherence in photosynthetic systems. Nature 2007;446(7137):782-786.