在医学领域对量子和经典神经网络进行大规模的统计分析
Francesco Ghisoni1, Matteo Borrotti2, Paolo Mariani2
1Physics department, Università degli Studi di Pavia, Via Agostino Bassi, 6, 27100, Pavia, Italy. francesco.ghisoni01@universitadipavia.it.
Scientific reports
|January 9, 2026
概括
量子神经网络 (QNN) 对心脏病预测有前途,与经典神经网络 (NN) 的准确性相匹配. 在数据有限的医疗场景中,QNN可能会带来优势.
科学领域:
- 量子计算是一种量子计算.
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 经典的神经网络 (NN) 在医学数据分析方面表现出色,但需要广泛的标记数据集.
- 数据稀缺是临床实践中的一个重大挑战,限制了NN的适用性.
- 量子神经网络 (QNN) 为医疗数据分析提供了潜在的替代方案,特别是在数据不足的情况下.
研究的目的:
- 为了比较评估NN和QNN在心脏病预测方面的表现.
- 调查QNN在数据稀缺环境中的有效性.
- 建立一个可重复的方法来评估临床应用中的QNN.
主要方法:
- 系统评估了460个QNN (11-13个量子位) 和4480个NN架构.
- 分析关键设计参数,包括QNN的编码,重新上传,电路深度和断路.
- 在表现最好的NN和QNN模型之间比较精度和样本复杂性.
主要成果:
- 在心脏病预测方面,QNN的准确性与经典的NN相美.
- 在数据稀缺的环境中,QNN显示了性能方面的潜在优势.
- 介绍了在临床背景下对QNN评估的结构化方法.
结论:
- 医疗数据分析中,QNN是NNN的可行替代品,特别是当数据有限时.
- 这项研究支持进一步研究用于医疗保健应用的量子机器学习.
- 这些发现为开发用于临床决策支持的强大QNN模型提供了基础.
