{ "nbformat": 4, "nbformat_minor": 0, "metadata": { "colab": { "provenance": [] }, "kernelspec": { "name": "python3", "display_name": "Python 3" }, "language_info": { "name": "python" }, "widgets": { "application/vnd.jupyter.widget-state+json": { "version_major": 2, "version_minor": 0, "state": { "f72fb1e9eb7a4b84b4447aefcfe67086": { "model_module": "@jupyter-widgets/controls", "model_name": "VBoxModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "VBoxModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "VBoxView", "box_style": "", "children": [ "IPY_MODEL_8c651d22813d47bcb82a24d1a5a5889d", "IPY_MODEL_68609152c74a47e390eaddafa8a1654a", "IPY_MODEL_bb8be2624cc14b7e8cb7c1055f7c6993", "IPY_MODEL_08585645ba5b41f79184c5f26c62588a", "IPY_MODEL_2d659724e3954d599ce0e8184eab5a7f", "IPY_MODEL_24d39d46510f490fb32b41383435ea49", "IPY_MODEL_6689b8218cc74d2cb6bccebf9306c9ed", "IPY_MODEL_051ecb192aa548d2a1e34562fbf913cc", "IPY_MODEL_b9307af7039a489d8d7f9c5be73d951d", "IPY_MODEL_a8d759d7eb00473181566a57eff5db24" ], "layout": "IPY_MODEL_b547477ddc57424a9e407dd019ab0b74" } }, "8c651d22813d47bcb82a24d1a5a5889d": { "model_module": "@jupyter-widgets/controls", "model_name": "HTMLModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "HTMLModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "HTMLView", "description": "", "description_tooltip": null, "layout": "IPY_MODEL_d4704d32dfee46ffb587c885a3da7b50", "placeholder": "​", "style": "IPY_MODEL_c5d93acf6bc54234971cae1a654362c6", "value": "

🎯 İlaç Etkinliği — Problem & Encoding Seçim Aracı

" } }, "68609152c74a47e390eaddafa8a1654a": { "model_module": "@jupyter-widgets/controls", "model_name": "HTMLModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "HTMLModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "HTMLView", "description": "", "description_tooltip": null, "layout": "IPY_MODEL_780a24e2fdff444abab2b8b2115463ea", "placeholder": "​", "style": "IPY_MODEL_035f85af58fc454996cbd98bd0857fb9", "value": "

Burada n_features = her hasta için kullanılacak sayısal özellik sayısı (tahlil + radiomics + demografik), n_samples = hasta / kayıt sayısıdır. Ham MR boyutu (MB) burada seçilmez; özellik çıkarımı sonrası boyut kullanılır.

" } }, "bb8be2624cc14b7e8cb7c1055f7c6993": { "model_module": "@jupyter-widgets/controls", "model_name": "DropdownModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DropdownModel", "_options_labels": [ "Sınıflandırma — İlaç etkili / etkisiz", "Regresyon — Etkinlik skoru (0-1 veya %)", "Optimizasyon — Doz / kombinasyon arama" ], "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "DropdownView", "description": "Problem:", "description_tooltip": null, "disabled": false, "index": 0, "layout": "IPY_MODEL_79f6f1bccfc249aa99cf9d540ba9871e", "style": "IPY_MODEL_64864cc7429949ae808d98871b1868cc" } }, "08585645ba5b41f79184c5f26c62588a": { "model_module": "@jupyter-widgets/controls", "model_name": "IntSliderModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "IntSliderModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "IntSliderView", "continuous_update": false, "description": "Özellik (n_features):", "description_tooltip": null, "disabled": false, "layout": "IPY_MODEL_9f5cf8207980407bab21b3c0df0b676a", "max": 50, "min": 2, "orientation": "horizontal", "readout": true, "readout_format": "d", "step": 1, "style": "IPY_MODEL_f815a7d3c4634764993f1c90e8f5d0e1", "value": 25 } }, "2d659724e3954d599ce0e8184eab5a7f": { "model_module": "@jupyter-widgets/controls", "model_name": "IntSliderModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "IntSliderModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "IntSliderView", "continuous_update": false, "description": "Hasta sayısı (n):", "description_tooltip": null, "disabled": false, "layout": "IPY_MODEL_bbc31e29b74849ed98ca833b3ec00b42", "max": 5000, "min": 50, "orientation": "horizontal", "readout": true, "readout_format": "d", "step": 50, "style": "IPY_MODEL_7edb9bcecc3546f8ab33b9dedae14e30", "value": 300 } }, "24d39d46510f490fb32b41383435ea49": { "model_module": "@jupyter-widgets/controls", "model_name": "DropdownModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DropdownModel", "_options_labels": [ "Sürekli (tahlil + radiomics özellikler)", "Kategorik (cinsiyet, komorbidite, ilaç grubu)", "Karışık (demografik + tahlil + görüntü özellikleri)" ], "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "DropdownView", "description": "Veri Tipi:", "description_tooltip": null, "disabled": false, "index": 2, "layout": "IPY_MODEL_6594d7b05ea24ce684ad729e923c9cdb", "style": "IPY_MODEL_5b8e98f07f204219aa72b3f75eb1989e" } }, "6689b8218cc74d2cb6bccebf9306c9ed": { "model_module": "@jupyter-widgets/controls", "model_name": "DropdownModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DropdownModel", "_options_labels": [ "Hızlı prototip / Eğitim (Simülatör)", "Gerçek IBM Quantum denemesi", "Yüksek doğruluk (simülatör + error mitigation)" ], "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "DropdownView", "description": "Öncelik:", "description_tooltip": null, "disabled": false, "index": 0, "layout": "IPY_MODEL_d21b58db95a44eb19a0ee0b0eb8c933e", "style": "IPY_MODEL_d38e70999bdf471792d685f591bcaf13" } }, "051ecb192aa548d2a1e34562fbf913cc": { "model_module": "@jupyter-widgets/controls", "model_name": "HTMLModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "HTMLModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "HTMLView", "description": "", "description_tooltip": null, "layout": "IPY_MODEL_c04d7f5893624f2c8cdf13dcfed6a77c", "placeholder": "​", "style": "IPY_MODEL_c7be348689e84c11a51310dc7bd84e9c", "value": "
" } }, "b9307af7039a489d8d7f9c5be73d951d": { "model_module": "@jupyter-widgets/controls", "model_name": "ButtonModel", "model_module_version": "1.5.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "ButtonModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "ButtonView", "button_style": "success", "description": "Encoding + Qubit + Algoritma & Cihaz Öner", "disabled": false, "icon": "check", "layout": "IPY_MODEL_9b5a6cd95a4d4d29bd36c397e64468f2", "style": "IPY_MODEL_ca53246aa4744a44acf191dfdcee0c3e", "tooltip": "" } }, "a8d759d7eb00473181566a57eff5db24": { "model_module": "@jupyter-widgets/output", "model_name": "OutputModel", "model_module_version": "1.0.0", "state": { "_dom_classes": [], "_model_module": "@jupyter-widgets/output", "_model_module_version": "1.0.0", "_model_name": "OutputModel", "_view_count": null, "_view_module": "@jupyter-widgets/output", "_view_module_version": "1.0.0", "_view_name": "OutputView", "layout": "IPY_MODEL_846d0e585f354e2cafcbf0c010c7d79e", "msg_id": "", "outputs": [ { "output_type": "display_data", "data": { "text/plain": "", "text/html": "

🔍 Öneri Sonuçları — İlaç Etkinliği Senaryosu

" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ "Problem : Sınıflandırma — İlaç etkili / etkisiz\n", "Özellik sayısı : 25 (n_features)\n", "Hasta / kayıt : 300 (n_samples)\n", "Veri tipi : Karışık (demografik + tahlil + görüntü özellikleri)\n", "Öncelik : Hızlı prototip / Eğitim (Simülatör)\n", "======================================================================\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "

📐 Encoding Yöntemi & Qubit Hesabı

" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ "▶ Birincil öneri : Hibrit: Kategorik→One-Hot + Sürekli→Angle/ZZFeatureMap (+ PCA)\n", " Gerekli kübit : 25\n", " Açıklama : Demografik (kategorik) + tahlil/radiomics (sürekli) birlikte kullanılır. Kategorikler One-Hot ile sayısallaştırılır, tüm vektör Angle/ZZ ile kodlanır. Toplam boyut yüksekse PCA uygulanır.\n", " Qiskit ipucu : One-Hot + StandardScaler + (PCA) + zz_feature_map\n", "\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "🔄 Alternatif encoding’ler:" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ " 1. Ayrı feature map’ler + birleştirme | kübit ≈ değişken\n", " → Kategorik ve sürekli özellikler farklı map’lerle kodlanıp devre birleştirilebilir (ileri seviye).\n", "\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "📊 Qubit karşılaştırma (mevcut n_features ile):" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ " • Angle / ZZFeatureMap → 25 kübit\n", " • Amplitude Encoding → 5 kübit\n", " • Basis (kaba) → ~75-200 kübit\n", " • PCA sonrası (6 özellik) → 6 kübit\n", "\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "
⚠️ PCA önerilir: n_features=25. Aşama 3’te 6 boyuta indirin.
" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ "\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "⚠️ Encoding uyarıları:" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ " • Karışık klinik veri + orta/yüksek özellik → PCA ile 4–6 boyuta indirmeyi öneririz.\n", "\n", "======================================================================\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "🧠 Önerilen algoritmalar:" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ " 1. FidelityQuantumKernel + QSVM\n", " → İlaç etkili/etkisiz ikili sınıflandırma için uygun. Bu notebook’un ana yöntemi.\n", " 2. Variational Quantum Classifier (VQC)\n", " → RealAmplitudes ansatz ile eğitilebilir sınıflandırıcı.\n", " 3. SamplerQNN / EstimatorQNN\n", " → Daha esnek kuantum sinir ağı mimarileri.\n", "\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "💻 Önerilen cihazlar:" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ " 1. AerSimulator / StatevectorSampler\n", " → Geliştirme ve eğitim için varsayılan.\n", " 2. Qiskit Runtime Simulator\n", " → Bulut simülasyonu, gerçek API deneyimi.\n", "\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "📝 Notlar (KVKK + NISQ):" }, "metadata": {} }, { "output_type": "stream", "name": "stdout", "text": [ " • Yüksek boyut/kayıt → PCA + mümkünse alt-örnekleme.\n", " • Önce simülatörde doğrulayın, sonra gerçek donanıma geçin.\n", " • Kategorik alanlar → One-Hot Encoding zorunlu (KVKK sonrası).\n", " • Kişisel tanımlayıcılar (TC, ad, protokol) kuantum devresine ASLA gönderilmez; sadece anonim özellik vektörü kullanılır.\n", "\n", "======================================================================\n" ] }, { "output_type": "display_data", "data": { "text/plain": "", "text/html": "➡️ Sonraki adım: Aşama 2 (kütüphane kurulumu) → Aşama 4’te sentetik hasta verisi üretebilir veya kendi CSV’nizi yükleyebilirsiniz." }, "metadata": {} } ] } }, "b547477ddc57424a9e407dd019ab0b74": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "d4704d32dfee46ffb587c885a3da7b50": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "c5d93acf6bc54234971cae1a654362c6": { "model_module": "@jupyter-widgets/controls", "model_name": "DescriptionStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DescriptionStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "" } }, "780a24e2fdff444abab2b8b2115463ea": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "035f85af58fc454996cbd98bd0857fb9": { "model_module": "@jupyter-widgets/controls", "model_name": "DescriptionStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DescriptionStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "" } }, "79f6f1bccfc249aa99cf9d540ba9871e": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": "520px" } }, "64864cc7429949ae808d98871b1868cc": { "model_module": "@jupyter-widgets/controls", "model_name": "DescriptionStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DescriptionStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "140px" } }, "9f5cf8207980407bab21b3c0df0b676a": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "f815a7d3c4634764993f1c90e8f5d0e1": { "model_module": "@jupyter-widgets/controls", "model_name": "SliderStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "SliderStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "140px", "handle_color": null } }, "bbc31e29b74849ed98ca833b3ec00b42": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "7edb9bcecc3546f8ab33b9dedae14e30": { "model_module": "@jupyter-widgets/controls", "model_name": "SliderStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "SliderStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "140px", "handle_color": null } }, "6594d7b05ea24ce684ad729e923c9cdb": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": "520px" } }, "5b8e98f07f204219aa72b3f75eb1989e": { "model_module": "@jupyter-widgets/controls", "model_name": "DescriptionStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DescriptionStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "140px" } }, "d21b58db95a44eb19a0ee0b0eb8c933e": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": "520px" } }, "d38e70999bdf471792d685f591bcaf13": { "model_module": "@jupyter-widgets/controls", "model_name": "DescriptionStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DescriptionStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "140px" } }, "c04d7f5893624f2c8cdf13dcfed6a77c": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "c7be348689e84c11a51310dc7bd84e9c": { "model_module": "@jupyter-widgets/controls", "model_name": "DescriptionStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "DescriptionStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "description_width": "" } }, "9b5a6cd95a4d4d29bd36c397e64468f2": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": "40px", "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": "400px" } }, "ca53246aa4744a44acf191dfdcee0c3e": { "model_module": "@jupyter-widgets/controls", "model_name": "ButtonStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "ButtonStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "button_color": null, "font_weight": "" } }, "846d0e585f354e2cafcbf0c010c7d79e": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "df24bbfdf74a4b9f986d3163434c215b": { "model_module": "@jupyter-widgets/controls", "model_name": "FileUploadModel", "model_module_version": "1.5.0", "state": { "_counter": 0, "_dom_classes": [], "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "FileUploadModel", "_view_count": null, "_view_module": "@jupyter-widgets/controls", "_view_module_version": "1.5.0", "_view_name": "FileUploadView", "accept": ".csv", "button_style": "", "data": [], "description": "CSV Yükle", "description_tooltip": null, "disabled": false, "error": "", "icon": "upload", "layout": "IPY_MODEL_23cf0be20f784011898658183b452e44", "metadata": [], "multiple": false, "style": "IPY_MODEL_a02ce824de774942a3a462c2b9b768d5" } }, "23cf0be20f784011898658183b452e44": { "model_module": "@jupyter-widgets/base", "model_name": "LayoutModel", "model_module_version": "1.2.0", "state": { "_model_module": "@jupyter-widgets/base", "_model_module_version": "1.2.0", "_model_name": "LayoutModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "LayoutView", "align_content": null, "align_items": null, "align_self": null, "border": null, "bottom": null, "display": null, "flex": null, "flex_flow": null, "grid_area": null, "grid_auto_columns": null, "grid_auto_flow": null, "grid_auto_rows": null, "grid_column": null, "grid_gap": null, "grid_row": null, "grid_template_areas": null, "grid_template_columns": null, "grid_template_rows": null, "height": null, "justify_content": null, "justify_items": null, "left": null, "margin": null, "max_height": null, "max_width": null, "min_height": null, "min_width": null, "object_fit": null, "object_position": null, "order": null, "overflow": null, "overflow_x": null, "overflow_y": null, "padding": null, "right": null, "top": null, "visibility": null, "width": null } }, "a02ce824de774942a3a462c2b9b768d5": { "model_module": "@jupyter-widgets/controls", "model_name": "ButtonStyleModel", "model_module_version": "1.5.0", "state": { "_model_module": "@jupyter-widgets/controls", "_model_module_version": "1.5.0", "_model_name": "ButtonStyleModel", "_view_count": null, "_view_module": "@jupyter-widgets/base", "_view_module_version": "1.2.0", "_view_name": "StyleView", "button_color": null, "font_weight": "" } } } } } }, "cells": [ { "cell_type": "markdown", "metadata": { "id": "TT_mTQSL4I8m" }, "source": "# Applied QML: Hastane Senaryosu — İlaç Etkinliği Tahmini\n## Kuantum Makine Öğrenmesi Uygulama Rehberi\n\n**Eğitmen:** Joseph Volkan Özcan\n\nBu notebook, bir hastanede hasta verilerinin (kişisel bilgiler, tahlil sonuçları, MR/görüntüleme özellik vektörleri) \nkuantum bilgisayara güvenli şekilde gönderilerek **ilaç etkinliği tahmini** yapılmasını uçtan uca gösterir.\n\n### Senaryo Özeti\n1. Hasta verileri toplanır (demografik + laboratuvar + görüntüleme özellikleri)\n2. **Anonimleştirme** (KVKK / GDPR uyumlu) uygulanır\n3. Yüksek boyutlu veriler **boyut indirgeme (PCA)** ile küçültülür\n4. Veri kuantum devresine **encoding** ile aktarılır\n5. Kuantum sınıflandırıcı / kernel ile **ilaç etkinliği** (etkili / etkisiz veya etkinlik skoru) tahmin edilir\n6. Sonuçlar ölçülür, yorumlanır ve (yetkili erişimde) de-anonimleştirilebilir\n\n> Sadece **Python + IBM Qiskit** kullanılarak tasarlanmıştır. Colab’da çalışacak şekilde hazırlanmıştır.\n" }, { "cell_type": "markdown", "metadata": { "id": "yKm71S8e4I80" }, "source": "## AŞAMA 1: Proje Tanımı, Veri Büyüklüğü ve Seçim Aracı\n\n### 1.1 Problemin Tanımı\nBu projede çözülmek istenen problem:\n\n> **İlaç Etkinliği Tahmini (Drug Efficacy Prediction)** \n> Belirli bir hasta profili (yaş, cinsiyet, tahlil değerleri, MR’dan türetilmiş özellikler vb.) verildiğinde, \n> seçilen ilacın **etkili olup olmayacağını** (sınıflandırma) veya **etkinlik skorunu** (regresyon) tahmin etmek.\n\nBu bir **Sınıflandırma** (veya isteğe bağlı Regresyon) problemidir. Optimizasyon (ör. doz ayarlama) ikinci aşamada düşünülebilir.\n\n### 1.2 “Veri Büyüklüğü” Ne Anlama Gelir?\n\nKuantum makine öğrenmesinde “veri büyüklüğü” iki ayrı boyutta ele alınır. Bunları karıştırmamak kritiktir:\n\n| Kavram | Anlamı (Hastane Senaryosunda) | Kuantum Etkisi |\n|--------|-------------------------------|----------------|\n| **n_samples (kayıt / hasta sayısı)** | Kaç adet hasta kaydı var? (ör. 200, 1000, 5000) | Kernel yöntemlerinde (QSVM) maliyet ≈ O(n²). Çok büyük n → simülatörde yavaşlar, gerçek cihazda pahalılaşır. |\n| **n_features (özellik / nitelik sayısı)** | Her hasta için kaç sayısal özellik kullanılıyor? | **Doğrudan kübit sayısını belirler.** Angle Encoding’de 1 özellik ≈ 1 kübit. |\n| **Ham veri boyutu** | MR görüntüsü (MB/GB), ham tahlil tabloları | Kuantuma **gönderilmez**. Önce klasik ön-işleme + özellik çıkarımı yapılır. |\n\n#### Hastane verisinde tipik özellik kaynakları\n- **Demografik / kişisel:** yaş, cinsiyet, BMI, komorbidite sayısı → düşük boyut\n- **Laboratuvar tahlilleri:** hemogram, biyokimya, tümör belirteçleri → 10–50 özellik\n- **Görüntüleme (MR / BT / PET):** ham piksel verisi **doğrudan kullanılmaz**. \n Klasik bir CNN veya radiomics ile özellik vektörü çıkarılır (ör. 100–512 boyut). \n Bu vektör daha sonra PCA ile 4–8 boyuta indirilir.\n\n> **Özet kural (NISQ dönemi):** \n> - n_features > 8–10 ise **mutlaka PCA** uygulayın. \n> - n_samples çok büyükse (binlerce) önce alt-örnekleme veya mini-batch düşünün. \n> - Ham görüntü / kişisel kimlik bilgisi **asla** kuantum devresine ham haliyle gitmez.\n\n### 1.3 Anonimleştirme (KVKK / GDPR)\nKuantuma gönderilmeden önce:\n- Doğrudan tanımlayıcılar (TC, ad-soyad, protokol no) kaldırılır veya hash’lenir\n- Kvası-tanımlayıcılar (nadir hastalık + yaş + posta kodu kombinasyonu) genelleştirilir\n- Sadece model için gerekli sayısal özellikler ve anonim hasta ID’si tutulur\n\nSonuçlar yalnızca yetkili hekim / sistem tarafından de-anonimleştirilebilir (Aşama 10).\n\nAşağıdaki **interaktif seçim aracı** ile problem tipinizi, özellik sayısını, hasta (kayıt) sayısını ve veri tipini seçerek \nuygun **encoding**, **kübit ihtiyacı**, **algoritma** ve **cihaz** önerisini alabilirsiniz.\n" }, { "cell_type": "code", "metadata": { "id": "asama1_secim", "colab": { "base_uri": "https://localhost:8080/", "height": 1000, "referenced_widgets": [ "f72fb1e9eb7a4b84b4447aefcfe67086", "8c651d22813d47bcb82a24d1a5a5889d", "68609152c74a47e390eaddafa8a1654a", "bb8be2624cc14b7e8cb7c1055f7c6993", "08585645ba5b41f79184c5f26c62588a", "2d659724e3954d599ce0e8184eab5a7f", "24d39d46510f490fb32b41383435ea49", "6689b8218cc74d2cb6bccebf9306c9ed", "051ecb192aa548d2a1e34562fbf913cc", "b9307af7039a489d8d7f9c5be73d951d", "a8d759d7eb00473181566a57eff5db24", "b547477ddc57424a9e407dd019ab0b74", "d4704d32dfee46ffb587c885a3da7b50", "c5d93acf6bc54234971cae1a654362c6", "780a24e2fdff444abab2b8b2115463ea", "035f85af58fc454996cbd98bd0857fb9", "79f6f1bccfc249aa99cf9d540ba9871e", "64864cc7429949ae808d98871b1868cc", "9f5cf8207980407bab21b3c0df0b676a", "f815a7d3c4634764993f1c90e8f5d0e1", "bbc31e29b74849ed98ca833b3ec00b42", "7edb9bcecc3546f8ab33b9dedae14e30", "6594d7b05ea24ce684ad729e923c9cdb", "5b8e98f07f204219aa72b3f75eb1989e", "d21b58db95a44eb19a0ee0b0eb8c933e", "d38e70999bdf471792d685f591bcaf13", "c04d7f5893624f2c8cdf13dcfed6a77c", "c7be348689e84c11a51310dc7bd84e9c", "9b5a6cd95a4d4d29bd36c397e64468f2", "ca53246aa4744a44acf191dfdcee0c3e", "846d0e585f354e2cafcbf0c010c7d79e" ] }, "executionInfo": { "status": "ok", "timestamp": 1786469533348, "user_tz": -180, "elapsed": 263, "user": { "displayName": "Joseph Volkan ÖZCAN", "userId": "11389530967736397480" } }, "outputId": "e58c320d-1a99-4e07-9ef1-bf59626591c5" }, "source": "# ============================================================\n# AŞAMA 1 - İnteraktif Seçim Aracı\n# (Encoding + Qubit Hesabı + Algoritma + Cihaz)\n# Hastane / İlaç Etkinliği senaryosuna uyarlanmıştır\n# ============================================================\n\nimport ipywidgets as widgets\nfrom IPython.display import display, clear_output, HTML\nimport math\n\nproblem_type = widgets.Dropdown(\n options=[\n (\"Sınıflandırma — İlaç etkili / etkisiz\", \"classification\"),\n (\"Regresyon — Etkinlik skoru (0-1 veya %)\", \"regression\"),\n (\"Optimizasyon — Doz / kombinasyon arama\", \"optimization\")\n ],\n value=\"classification\",\n description=\"Problem:\",\n style={\"description_width\": \"140px\"},\n layout=widgets.Layout(width=\"520px\")\n)\n\nn_features = widgets.IntSlider(\n value=12,\n min=2, max=50, step=1,\n description=\"Özellik (n_features):\",\n style={\"description_width\": \"140px\"},\n continuous_update=False\n)\n\nn_samples = widgets.IntSlider(\n value=300,\n min=50, max=5000, step=50,\n description=\"Hasta sayısı (n):\",\n style={\"description_width\": \"140px\"},\n continuous_update=False\n)\n\ndata_type = widgets.Dropdown(\n options=[\n (\"Sürekli (tahlil + radiomics özellikler)\", \"continuous\"),\n (\"Kategorik (cinsiyet, komorbidite, ilaç grubu)\", \"categorical\"),\n (\"Karışık (demografik + tahlil + görüntü özellikleri)\", \"mixed\")\n ],\n value=\"mixed\",\n description=\"Veri Tipi:\",\n style={\"description_width\": \"140px\"},\n layout=widgets.Layout(width=\"520px\")\n)\n\npriority = widgets.Dropdown(\n options=[\n (\"Hızlı prototip / Eğitim (Simülatör)\", \"prototype\"),\n (\"Gerçek IBM Quantum denemesi\", \"hardware\"),\n (\"Yüksek doğruluk (simülatör + error mitigation)\", \"accuracy\")\n ],\n value=\"prototype\",\n description=\"Öncelik:\",\n style={\"description_width\": \"140px\"},\n layout=widgets.Layout(width=\"520px\")\n)\n\nrun_button = widgets.Button(\n description=\"Encoding + Qubit + Algoritma & Cihaz Öner\",\n button_style=\"success\",\n icon=\"check\",\n layout=widgets.Layout(width=\"400px\", height=\"40px\")\n)\noutput_area = widgets.Output()\n\ndef compute_encoding_and_qubits(features, samples, dtype):\n results = {\n \"primary\": None,\n \"alternatives\": [],\n \"pca_recommended\": features > 8,\n \"pca_target\": min(6, max(2, features // 2)) if features > 8 else features,\n \"warnings\": []\n }\n angle_qubits = features\n amp_qubits = math.ceil(math.log2(max(features, 2)))\n amp_padded = 2 ** amp_qubits\n\n if dtype == \"continuous\":\n if features <= 8:\n results[\"primary\"] = (\n \"Angle Encoding + ZZFeatureMap\",\n angle_qubits,\n \"Tahlil ve radiomics sürekli değerleri dönme açılarına yazılır. \"\n \"ZZFeatureMap ile özellik etkileşimi (entanglement) eklenir. NISQ için en stabil seçenek.\",\n \"zz_feature_map(feature_dimension=n, reps=2, entanglement='linear')\"\n )\n results[\"alternatives\"].append((\n \"PauliFeatureMap\", angle_qubits,\n \"Farklı Pauli operatörleri ile daha zengin kernel üretilebilir.\"\n ))\n results[\"alternatives\"].append((\n \"Amplitude Encoding\", amp_qubits,\n f\"Sadece ~{amp_qubits} kübit (2^{amp_qubits}={amp_padded} boyuta pad). \"\n \"State preparation maliyeti yüksek; büyük özellik setlerinde düşünülebilir.\"\n ))\n else:\n results[\"primary\"] = (\n \"PCA → Angle Encoding + ZZFeatureMap\",\n results[\"pca_target\"],\n f\"Özellik sayısı ({features}) yüksek (ör. radiomics + geniş tahlil paneli). \"\n f\"Önce PCA ile {results['pca_target']} boyuta indirin, sonra Angle/ZZFeatureMap uygulayın.\",\n \"PCA(n_components=k) + zz_feature_map(feature_dimension=k, reps=2)\"\n )\n results[\"alternatives\"].append((\n \"Amplitude Encoding (PCA sonrası veya doğrudan)\", amp_qubits,\n f\"Doğrudan {amp_qubits} kübit. Hazırlama devresi derin olur, NISQ’te riskli.\"\n ))\n results[\"warnings\"].append(f\"Özellik sayısı {features} > 8 → PCA zorunlu kabul edin.\")\n elif dtype == \"categorical\":\n results[\"primary\"] = (\n \"One-Hot (klasik) → Angle Encoding / Basis Encoding\",\n angle_qubits,\n \"Cinsiyet, komorbidite kodları, ilaç grubu gibi kategoriler doğrudan kübite yazılamaz. \"\n \"Önce One-Hot Encoding uygulayın, çıkan 0/1 vektörünü Angle Encoding ile kodlayın.\",\n \"pd.get_dummies(...) veya OneHotEncoder → zz_feature_map\"\n )\n results[\"alternatives\"].append((\n \"Basis Encoding (düşük kardinalite)\",\n \"log2(kategori sayısı)\",\n \"Her kategorik değişken az sayıda değer alıyorsa Basis Encoding daha az kübit kullanabilir.\"\n ))\n results[\"warnings\"].append(\n \"One-Hot, özellik (ve kübit) sayısını artırabilir. Yüksek kardinaliteli sütunlarda dikkat.\"\n )\n else: # mixed — hastane için en gerçekçi\n results[\"primary\"] = (\n \"Hibrit: Kategorik→One-Hot + Sürekli→Angle/ZZFeatureMap (+ PCA)\",\n angle_qubits,\n \"Demografik (kategorik) + tahlil/radiomics (sürekli) birlikte kullanılır. \"\n \"Kategorikler One-Hot ile sayısallaştırılır, tüm vektör Angle/ZZ ile kodlanır. \"\n \"Toplam boyut yüksekse PCA uygulanır.\",\n \"One-Hot + StandardScaler + (PCA) + zz_feature_map\"\n )\n results[\"alternatives\"].append((\n \"Ayrı feature map’ler + birleştirme\",\n \"değişken\",\n \"Kategorik ve sürekli özellikler farklı map’lerle kodlanıp devre birleştirilebilir (ileri seviye).\"\n ))\n if features > 6:\n results[\"pca_recommended\"] = True\n results[\"warnings\"].append(\n \"Karışık klinik veri + orta/yüksek özellik → PCA ile 4–6 boyuta indirmeyi öneririz.\"\n )\n\n if samples > 1000:\n results[\"warnings\"].append(\n f\"Hasta sayısı ({samples}) büyük. QSVM’de maliyet O(n²). Alt-örnekleme veya mini-batch düşünün.\"\n )\n if samples < 80:\n results[\"warnings\"].append(\n \"Hasta sayısı çok küçük. Overfitting riski yüksek; cross-validation kullanın.\"\n )\n return results\n\ndef get_recommendations(prob, features, samples, dtype, prio):\n recs = {\n \"algorithms\": [],\n \"devices\": [],\n \"notes\": [],\n \"encoding_info\": compute_encoding_and_qubits(features, samples, dtype),\n \"pca_required\": features > 8\n }\n enc = recs[\"encoding_info\"]\n\n if prob == \"classification\":\n recs[\"algorithms\"] = [\n (\"FidelityQuantumKernel + QSVM\",\n \"İlaç etkili/etkisiz ikili sınıflandırma için uygun. Bu notebook’un ana yöntemi.\"),\n (\"Variational Quantum Classifier (VQC)\",\n \"RealAmplitudes ansatz ile eğitilebilir sınıflandırıcı.\"),\n (\"SamplerQNN / EstimatorQNN\",\n \"Daha esnek kuantum sinir ağı mimarileri.\")\n ]\n if features <= 6 and samples <= 500:\n recs[\"algorithms\"].insert(0, (\n \"QSVM (Quantum Support Vector Machine)\",\n \"Küçük özellik setlerinde en yorumlanabilir seçenek.\"\n ))\n elif prob == \"regression\":\n recs[\"algorithms\"] = [\n (\"Variational Quantum Regressor\", \"Etkinlik skoru (sürekli) tahmini için.\"),\n (\"Quantum Kernel Ridge Regression\", \"Kernel tabanlı regresyon.\"),\n (\"EstimatorQNN tabanlı regresyon\", \"Beklenti değeri üzerinden sürekli çıktı.\")\n ]\n else:\n recs[\"algorithms\"] = [\n (\"QAOA\", \"Doz / ilaç kombinasyonu arama (kombinatoryal).\"),\n (\"VQE\", \"Enerji / maliyet minimizasyonu gerektiren formülasyonlar.\"),\n (\"Grover tabanlı arama\", \"Yapılandırılmış arama (ileri seviye).\")\n ]\n\n effective_q = enc[\"primary\"][1]\n if isinstance(effective_q, str):\n effective_q = features\n\n if features > 12 or samples > 2000:\n recs[\"notes\"].append(\"Yüksek boyut/kayıt → PCA + mümkünse alt-örnekleme.\")\n recs[\"pca_required\"] = True\n\n if prio == \"prototype\":\n recs[\"devices\"] = [\n (\"AerSimulator / StatevectorSampler\", \"Geliştirme ve eğitim için varsayılan.\"),\n (\"Qiskit Runtime Simulator\", \"Bulut simülasyonu, gerçek API deneyimi.\")\n ]\n recs[\"notes\"].append(\"Önce simülatörde doğrulayın, sonra gerçek donanıma geçin.\")\n elif prio == \"hardware\":\n if effective_q <= 5:\n recs[\"devices\"] = [\n (\"IBM Quantum küçük backend’ler\", \"≤5 kübit gerçek cihaz.\"),\n (\"AerSimulator (ön test)\", \"Gerçek cihaza göndermeden önce test edin.\")\n ]\n elif effective_q <= 10:\n recs[\"devices\"] = [\n (\"IBM Quantum 127+ kübit + error mitigation\", \"PCA sonrası 6–10 kübit denenebilir.\"),\n (\"Qiskit Runtime SamplerV2 / EstimatorV2\", \"Modern primitives.\")\n ]\n recs[\"notes\"].append(\"Devre derinliğini düşük tutun (reps=1–2), ResilienceLevel kullanın.\")\n else:\n recs[\"devices\"] = [\n (\"PCA → 4–6 özellik, sonra gerçek donanım\", \"12+ kübit doğrudan pratik değil.\"),\n (\"AerSimulator + noise model\", \"Gürültüyü taklit ederek geliştirin.\")\n ]\n recs[\"notes\"].append(\"Yüksek kübit → simülatör + PCA zorunlu.\")\n else:\n recs[\"devices\"] = [\n (\"StatevectorSampler (exact)\", \"Gürültüsüz referans sonuçlar.\"),\n (\"AerSimulator + yüksek shot (8192+)\", \"İstatistiksel kararlılık.\"),\n (\"Gerçek donanım + ZNE / PEC\", \"Son aşama doğruluk artışı.\")\n ]\n recs[\"notes\"].append(\"Yüksek doğruluk için shot sayısını artırın ve hata azaltma uygulayın.\")\n\n if samples < 100:\n recs[\"notes\"].append(\"Küçük kohort → overfitting riski; cross-validation şart.\")\n if dtype in (\"categorical\", \"mixed\"):\n recs[\"notes\"].append(\"Kategorik alanlar → One-Hot Encoding zorunlu (KVKK sonrası).\")\n\n recs[\"notes\"].append(\n \"Kişisel tanımlayıcılar (TC, ad, protokol) kuantum devresine ASLA gönderilmez; \"\n \"sadece anonim özellik vektörü kullanılır.\"\n )\n return recs\n\ndef on_button_clicked(b):\n with output_area:\n clear_output()\n recs = get_recommendations(\n problem_type.value, n_features.value, n_samples.value,\n data_type.value, priority.value\n )\n enc = recs[\"encoding_info\"]\n\n display(HTML(\"

🔍 Öneri Sonuçları — İlaç Etkinliği Senaryosu

\"))\n print(f\"Problem : {problem_type.label}\")\n print(f\"Özellik sayısı : {n_features.value} (n_features)\")\n print(f\"Hasta / kayıt : {n_samples.value} (n_samples)\")\n print(f\"Veri tipi : {data_type.label}\")\n print(f\"Öncelik : {priority.label}\")\n print(\"=\" * 70)\n\n display(HTML(\n \"
\"\n \"

📐 Encoding Yöntemi & Qubit Hesabı

\"\n \"
\"\n ))\n name, qubits, desc, qiskit_hint = enc[\"primary\"]\n print(f\"▶ Birincil öneri : {name}\")\n print(f\" Gerekli kübit : {qubits}\")\n print(f\" Açıklama : {desc}\")\n print(f\" Qiskit ipucu : {qiskit_hint}\")\n print()\n\n if enc[\"alternatives\"]:\n display(HTML(\"🔄 Alternatif encoding’ler:\"))\n for i, (a_name, a_q, a_desc) in enumerate(enc[\"alternatives\"], 1):\n print(f\" {i}. {a_name} | kübit ≈ {a_q}\")\n print(f\" → {a_desc}\")\n print()\n\n display(HTML(\"📊 Qubit karşılaştırma (mevcut n_features ile):\"))\n f = n_features.value\n print(f\" • Angle / ZZFeatureMap → {f} kübit\")\n print(f\" • Amplitude Encoding → {math.ceil(math.log2(max(f,2)))} kübit\")\n print(f\" • Basis (kaba) → ~{f*3}-{f*8} kübit\")\n if enc[\"pca_recommended\"]:\n print(f\" • PCA sonrası ({enc['pca_target']} özellik) → {enc['pca_target']} kübit\")\n print()\n\n if enc[\"pca_recommended\"] or recs[\"pca_required\"]:\n display(HTML(\n f\"
\"\n f\"⚠️ PCA önerilir: n_features={n_features.value}. \"\n f\"Aşama 3’te {enc['pca_target']} boyuta indirin.\"\n f\"
\"\n ))\n print()\n\n if enc[\"warnings\"]:\n display(HTML(\"⚠️ Encoding uyarıları:\"))\n for w in enc[\"warnings\"]:\n print(f\" • {w}\")\n print()\n\n print(\"=\" * 70)\n display(HTML(\"🧠 Önerilen algoritmalar:\"))\n for i, (n, d) in enumerate(recs[\"algorithms\"], 1):\n print(f\" {i}. {n}\\n → {d}\")\n print()\n display(HTML(\"💻 Önerilen cihazlar:\"))\n for i, (n, d) in enumerate(recs[\"devices\"], 1):\n print(f\" {i}. {n}\\n → {d}\")\n print()\n if recs[\"notes\"]:\n display(HTML(\"📝 Notlar (KVKK + NISQ):\"))\n for note in recs[\"notes\"]:\n print(f\" • {note}\")\n\n print(\"\\n\" + \"=\" * 70)\n display(HTML(\n \"➡️ Sonraki adım: Aşama 2 (kütüphane kurulumu) → \"\n \"Aşama 4’te sentetik hasta verisi üretebilir veya kendi CSV’nizi yükleyebilirsiniz.\"\n ))\n\nrun_button.on_click(on_button_clicked)\n\nui = widgets.VBox([\n widgets.HTML(\"

🎯 İlaç Etkinliği — Problem & Encoding Seçim Aracı

\"),\n widgets.HTML(\n \"

Burada n_features = her hasta için kullanılacak sayısal özellik sayısı \"\n \"(tahlil + radiomics + demografik), n_samples = hasta / kayıt sayısıdır. \"\n \"Ham MR boyutu (MB) burada seçilmez; özellik çıkarımı sonrası boyut kullanılır.

\"\n ),\n problem_type, n_features, n_samples, data_type, priority,\n widgets.HTML(\"
\"), run_button, output_area\n])\ndisplay(ui)\n", "execution_count": 1, "outputs": [ { "output_type": "display_data", "data": { "text/plain": [ "VBox(children=(HTML(value='

🎯 İlaç Etkinliği — Problem & Encoding Seçim Aracı

'), HTML(value=\"

N_COMPONENTS:\n X_red, pca_model = boyut_indirgeme_uygula(X, n_components=N_COMPONENTS)\nelse:\n X_red = StandardScaler().fit_transform(X)\n print(\"PCA gerekmedi, sadece standardizasyon uygulandı.\")\n\nX_train, X_test, y_train, y_test = train_test_split(\n X_red, y, test_size=0.25, random_state=42, stratify=y\n)\nprint(f\"Eğitim: {X_train.shape[0]} | Test: {X_test.shape[0]}\")\n", "execution_count": 12, "outputs": [ { "output_type": "stream", "name": "stdout", "text": [ "Özellik matrisi: (300, 12) | Hedef dağılımı: [151 149]\n", "Orijinal boyut : (300, 12)\n", "İndirgenmiş : (300, 4)\n", "Açıklanan varyans oranı (kümülatif): 0.651\n", "Eğitim: 225 | Test: 75\n" ] } ] }, { "cell_type": "markdown", "metadata": { "id": "USsqkpbH4I9H" }, "source": "## AŞAMA 6–7: Feature Map ve Ansatz (Kuantum Devresi)\n\n- **Feature Map:** Klasik özellikleri kuantum durumuna kodlar (ZZFeatureMap) \n- **Ansatz:** Eğitilebilir parametreli devre (RealAmplitudes) — VQC kullanıldığında \n\nKernel tabanlı QSVM için yalnızca feature map yeterlidir.\n" }, { "cell_type": "code", "metadata": { "id": "asama6_7_circuit", "colab": { "base_uri": "https://localhost:8080/" }, "executionInfo": { "status": "ok", "timestamp": 1786469976289, "user_tz": -180, "elapsed": 377, "user": { "displayName": "Joseph Volkan ÖZCAN", "userId": "11389530967736397480" } }, "outputId": "19ee0fc8-7402-48fa-941a-d0a080e6b39a" }, "source": "from qiskit import QuantumCircuit\nfrom qiskit.circuit.library import zz_feature_map, real_amplitudes\n\nnum_features = X_train.shape[1]\nprint(f\"Kullanılacak kübit / özellik sayısı: {num_features}\")\n\nfeature_map = zz_feature_map(\n feature_dimension=num_features,\n reps=2,\n entanglement=\"linear\"\n)\n\nansatz = real_amplitudes(num_qubits=num_features, reps=3)\n\n# Birleşik devre örneği (VQC için)\nqc = QuantumCircuit(num_features)\nqc.compose(feature_map, inplace=True)\nqc.compose(ansatz, inplace=True)\nqc.measure_all()\n\nprint(\"Feature map + Ansatz hazır.\")\nprint(f\"Feature map derinliği (approx): {feature_map.depth()}\")\n", "execution_count": 13, "outputs": [ { "output_type": "stream", "name": "stdout", "text": [ "Kullanılacak kübit / özellik sayısı: 4\n", "Feature map + Ansatz hazır.\n", "Feature map derinliği (approx): 19\n" ] } ] }, { "cell_type": "markdown", "metadata": { "id": "qCPCIl4B4I9J" }, "source": "## AŞAMA 8: Kuantum Kernel Oluşturma\n\nFidelityQuantumKernel, veri noktalarının kuantum durumlarındaki benzerliğini hesaplar. \n`shots` değeri istatistiksel kararlılığı etkiler (1024 iyi bir başlangıçtır).\n" }, { "cell_type": "code", "metadata": { "id": "asama8_kernel", "colab": { "base_uri": "https://localhost:8080/" }, "executionInfo": { "status": "ok", "timestamp": 1786469987760, "user_tz": -180, "elapsed": 103, "user": { "displayName": "Joseph Volkan ÖZCAN", "userId": "11389530967736397480" } }, "outputId": "32a1b76a-236c-4fb5-de6d-10bc08a3c913" }, "source": "from qiskit_machine_learning.kernels import FidelityQuantumKernel\nfrom qiskit_algorithms.state_fidelities import ComputeUncompute\nfrom qiskit.primitives import StatevectorSampler\n\nshots = 1024\nsampler = StatevectorSampler()\nfidelity = ComputeUncompute(sampler=sampler)\n\nqkernel = FidelityQuantumKernel(fidelity=fidelity, feature_map=feature_map)\nprint(f\"Kuantum Kernel hazır. Shot sayısı: {shots}\")\n", "execution_count": 14, "outputs": [ { "output_type": "stream", "name": "stdout", "text": [ "Kuantum Kernel hazır. Shot sayısı: 1024\n" ] } ] }, { "cell_type": "markdown", "metadata": { "id": "RJpXwSG04I9L" }, "source": "## AŞAMA 9: Modelin Eğitilmesi (QSVM) — Simülatör\n\nQiskit Machine Learning içindeki QSVC (Quantum Support Vector Classifier) kullanılır. \nÖnce simülatörde eğitip test skoruna bakıyoruz.\n" }, { "cell_type": "code", "metadata": { "id": "asama9_qsvc", "colab": { "base_uri": "https://localhost:8080/" }, "executionInfo": { "status": "ok", "timestamp": 1786470510147, "user_tz": -180, "elapsed": 515212, "user": { "displayName": "Joseph Volkan ÖZCAN", "userId": "11389530967736397480" } }, "outputId": "04ebb766-081a-46de-882f-db983ed90e71" }, "source": "from qiskit_machine_learning.algorithms import QSVC\nfrom sklearn.metrics import classification_report, accuracy_score, confusion_matrix\n\n# QSVC — quantum kernel ile SVM\nqsvc = QSVC(quantum_kernel=qkernel)\n\nprint(\"Eğitim başlıyor (simülatör)...\")\nqsvc.fit(X_train, y_train)\n\ny_pred = qsvc.predict(X_test)\nacc = accuracy_score(y_test, y_pred)\nprint(f\"\\nTest doğruluğu: {acc:.3f}\")\nprint(\"\\nSınıflandırma raporu:\")\nprint(classification_report(y_test, y_pred, target_names=[\"Etkisiz\", \"Etkili\"]))\nprint(\"Karmaşıklık matrisi:\")\nprint(confusion_matrix(y_test, y_pred))\n", "execution_count": 15, "outputs": [ { "output_type": "stream", "name": "stdout", "text": [ "Eğitim başlıyor (simülatör)...\n", "\n", "Test doğruluğu: 0.573\n", "\n", "Sınıflandırma raporu:\n", " precision recall f1-score support\n", "\n", " Etkisiz 0.57 0.61 0.59 38\n", " Etkili 0.57 0.54 0.56 37\n", "\n", " accuracy 0.57 75\n", " macro avg 0.57 0.57 0.57 75\n", "weighted avg 0.57 0.57 0.57 75\n", "\n", "Karmaşıklık matrisi:\n", "[[23 15]\n", " [17 20]]\n" ] } ] }, { "cell_type": "markdown", "metadata": { "id": "FIO2pq0m4I9N" }, "source": "## AŞAMA 10: Sonuçların Yorumlanması ve De-Anonimleştirme\n\nKuantum / model çıktısı anonim ID’ler üzerinden gelir. \nSadece yetkili sistem, saklanan mapping ile gerçek kimliğe dönebilir.\n\n> Üretim ortamında mapping **ayrı, erişim kontrollü** bir serviste tutulmalıdır. \n> Bu notebook yalnızca eğitim amaçlı demo yapar.\n" }, { "cell_type": "code", "metadata": { "id": "asama10_deanon", "colab": { "base_uri": "https://localhost:8080/" }, "executionInfo": { "status": "ok", "timestamp": 1786470583558, "user_tz": -180, "elapsed": 552, "user": { "displayName": "Joseph Volkan ÖZCAN", "userId": "11389530967736397480" } }, "outputId": "5d2bbb26-386e-46e6-e7e7-34349b703a08" }, "source": "# Örnek: test setinden birkaç anonim ID için tahmin + de-anonimleştirme\n# (Gerçek pipeline'da X_test satırları ile Anonim_ID eşleştirilir)\n\n# Demo: rastgele 3 anonim ID al\nornek_anon_ids = df_anon[\"Anonim_ID\"].sample(3, random_state=1).tolist()\n\nprint(\"Örnek de-anonimleştirme (sadece yetkili erişim):\")\nfor aid in ornek_anon_ids:\n gercek = deanon_mapping.get(aid, {})\n print(f\" Anonim ID : {aid}\")\n print(f\" → Gerçek : {gercek.get('Hasta_Ad')} | Protokol: {gercek.get('Protokol_No')}\")\n print()\n", "execution_count": 16, "outputs": [ { "output_type": "stream", "name": "stdout", "text": [ "Örnek de-anonimleştirme (sadece yetkili erişim):\n", " Anonim ID : 49e829cc817ff435\n", " → Gerçek : Hasta_189 | Protokol: PR-10189\n", "\n", " Anonim ID : f70510305fd56cf0\n", " → Gerçek : Hasta_123 | Protokol: PR-10123\n", "\n", " Anonim ID : 716e0f3fd922a79c\n", " → Gerçek : Hasta_185 | Protokol: PR-10185\n", "\n" ] } ] }, { "cell_type": "markdown", "metadata": { "id": "rHnfCY7n4I9P" }, "source": "## AŞAMA 11: Sonuçların Dışa Aktarılması (CSV & SQL)\n" }, { "cell_type": "code", "metadata": { "id": "asama11_export" }, "source": "import sqlite3\nimport os\n\n# Tahmin sonuçlarını tabloya dök (demo: test seti)\nsonuc_df = pd.DataFrame({\n \"y_true\": y_test,\n \"y_pred\": y_pred\n})\nsonuc_df[\"Dogru_Mu\"] = (sonuc_df[\"y_true\"] == sonuc_df[\"y_pred\"]).astype(int)\n\noutput_dir = \"./sonuclar\"\nos.makedirs(output_dir, exist_ok=True)\ncsv_path = os.path.join(output_dir, \"ilac_etkinligi_tahminleri.csv\")\nsonuc_df.to_csv(csv_path, index=False)\nprint(f\"CSV kaydedildi: {csv_path}\")\n\nconn = sqlite3.connect(\"qml_hastane.db\")\nsonuc_df.to_sql(\"Ilac_Etkinlik_Tahminleri\", conn, if_exists=\"replace\", index=False)\nconn.close()\nprint(\"SQL tablosuna yazıldı: Ilac_Etkinlik_Tahminleri\")\nprint(sonuc_df.head())\n", "execution_count": null, "outputs": [] }, { "cell_type": "markdown", "metadata": { "id": "V5QRpZbz4I9R" }, "source": "## AŞAMA 12: Görselleştirme\n\nSınıf dağılımı ve (varsa) kuantum ölçüm histogramı.\n" }, { "cell_type": "code", "metadata": { "id": "asama12_viz" }, "source": "%matplotlib inline\nimport matplotlib.pyplot as plt\nfrom qiskit.visualization import plot_histogram\n\n# 1) Gerçek vs tahmin sınıf dağılımı\nfig, axes = plt.subplots(1, 2, figsize=(10, 4))\naxes[0].hist(y_test, bins=[-0.5, 0.5, 1.5], rwidth=0.6, color=\"steelblue\")\naxes[0].set_xticks([0, 1])\naxes[0].set_xticklabels([\"Etkisiz\", \"Etkili\"])\naxes[0].set_title(\"Gerçek (y_test)\")\naxes[1].hist(y_pred, bins=[-0.5, 0.5, 1.5], rwidth=0.6, color=\"teal\")\naxes[1].set_xticks([0, 1])\naxes[1].set_xticklabels([\"Etkisiz\", \"Etkili\"])\naxes[1].set_title(\"Tahmin (y_pred)\")\nplt.tight_layout()\nplt.show()\n\n# 2) Örnek kuantum ölçüm histogramı (demo counts)\ndemo_counts = {\"00\": 480, \"01\": 120, \"10\": 95, \"11\": 329}\nfig2 = plot_histogram(demo_counts, title=\"Örnek Kuantum Ölçüm Histogramı\", figsize=(8, 5), color=\"teal\")\ndisplay(fig2)\n", "execution_count": null, "outputs": [] }, { "cell_type": "markdown", "metadata": { "id": "IHn_8dIL4I9T" }, "source": "## Özet ve Sonraki Adımlar\n\nBu notebook’ta yapılanlar:\n\n1. **Problem tanımı** — Hastane ilaç etkinliği tahmini (sınıflandırma) \n2. **Veri büyüklüğü ayrımı** — `n_samples` (hasta sayısı) vs `n_features` (özellik / kübit) netleştirildi \n3. **Seçim aracı** — Encoding, kübit hesabı, algoritma ve cihaz önerisi \n4. **Sentetik kohort** + **KVKK anonimleştirme** \n5. **PCA** ile boyut indirgeme \n6. **ZZFeatureMap + FidelityQuantumKernel + QSVC** ile eğitim ve test \n7. **De-anonimleştirme demosu**, CSV/SQL export, görselleştirme \n\n### Gerçek ortama geçerken\n- Mapping tablosunu kuantum pipeline’ından **ayırın** (ayrı yetkili servis) \n- Ham görüntüleri yalnızca klasik özellik çıkarımı için kullanın \n- Gerçek IBM Quantum backend’ine geçmeden önce noise model ile test edin \n- Klinik validasyon ve etik kurul onayı olmadan üretim kararı vermeyin \n\n**Colab’da çalıştırma sırası:** Yukarıdan aşağıya hücreleri sırayla Run edin. \nSeçim aracındaki `n_features` / PCA hedefini Aşama 5b’deki `N_COMPONENTS` ile uyumlu tutun.\n" } ] }