对量子机器学习用于数字健康的系统审查

科学领域:

• 数字健康数字健康
• 量子计算是一种量子计算.
• 机器学习 机器学习

背景情况:

• 医疗数据的数字化使得先进的算法分析成为可能.
• 量子机器学习 (QML) 为新型数据分析技术提供了潜力.
• 经典算法被广泛用于临床决策和医疗服务提供.

研究的目的:

• 系统地审查和评估量子机器学习 (QML) 算法是否在数字健康中胜过经典方法.
• 通过使用电子健康记录,评估QML在临床决策和医疗服务提供中的应用.
• 确定QML在数字健康领域的当前状态和局限性.

主要方法:

• 对2015年1月1日至2024年6月10日期间发表的研究进行系统文献综述.
• 搜索的数据库:PubMed,Embase,IEEE,Scopus和arXiv. 在这些数据库中进行了搜索.
• 包括使用电子健康/医疗记录和QML算法的研究,重点关注具有现实的操作条件的研究.

主要成果:

• 最初有169项研究符合4915项的资格,其中123项由于缺乏严格性而被排除在外.
• 只有16项研究考虑了现实的量子硬件或噪音模拟.
• 大多数量子模型都是一般QML结构的子集;数据编码可扩展性具有限制性的硬件假设.

结论:

• 对于数字健康应用,没有发现量子对经典算法的一致性能优势.
• 目前的证据不支持量子机器学习在数字健康中的经验实用性.
• 需要进一步的研究来解决硬件的局限性,并证明实际的量子优势.