量子双分支神经网络与转移学习用于早期发现皮肤癌
Yuyang Sun1, Xing Deng1, Haijian Shao1
1School of Computer, Jiangsu University of Science and Technology Zhenjiang 212100, Jiangsu, China.
American journal of translational research
|June 19, 2025
概括
一个新的量子双分支神经网络 (QDBNN) 通过克服量子噪声来提高皮肤癌分类的准确性. 这种量子经典混合方法为早期癌症诊断提供了强大的解决方案.
科学领域:
- 量子计算在医学成像中的应用.
- 开发量子启发的机器学习模型.
背景情况:
- 准确的皮肤癌分类对于患者的生存至关重要.
- 量子神经网络显示出潜力,但受到量子噪声的阻碍.
- 在医学图像分析中需要强大的量子框架.
研究的目的:
- 开发一个强大的基于量子的皮肤癌分类框架.
- 解决医学成像量子神经网络中的量子噪声限制问题.
主要方法:
- 提出了一个量子双分支神经网络 (QDBNN),具有独立的分支,没有共享权重.
- 在完全连接的层中利用双模特征融合.
- 使用变量量子分类器 (VQC) 进行最终分类.
主要成果:
- 实现了最先进的准确性:93.6%在HAM10000上和93.5%在恶性与良性数据集上.
- 超过了经典和量子转移学习基线的表现.
- 证明了对量子噪声的增强强性和改进的概括性.
结论:
- QDBNN有效地减轻了皮肤癌分类中的量子噪声.
- 突出了量子灵感架构对于临床诊断工具的潜力.
- 未来的工作包括硬件优化和更大的数据集的可扩展性.
