多 VQC：一种提升医疗分类的新型量子机器学习方法.pdfVIP

多VQC：一种提升医疗分类的新型量子机器

学习方法

AntonioTudisco,DeborahVolpe,andGiovannaTurvani

DepartmentofElectronicsandTelecommunications,PolitecnicodiTorinoItaly

IstitutoNazionalediGeofisicaeVulcanologia,Rome,00143,Italy

antonio.tudisco@polito.it,deborah.volpe@ingv.it,andgiovanna.turvani@polito.it

摘要—准确可靠的疾病诊断对于实现及时的医疗治疗和提量子模型为经典机器学习技术[3]提供了一种有吸

高患者生存率至关重要。近年来，机器学习通过创建能够识别疾引力的替代方案，利用叠加和纠缠原理在高维计算空间

病的分类模型彻底改变了诊断实践。然而，这些分类问题通常会中操作的能力来检测复杂而精细的模式。

受到显著的类别不平衡的影响，这可能会抑制传统模型的有效

这些固有的量子属性简化了增强特征表示和探索

本性。因此，人们对量子模型产生了兴趣，这是因为它们有能力将复杂数据结构的过程，有可能解决不平衡数据集[4]等

数据映射到更高维度的计算空间中来表达复杂的模式，从而有望

译克服经典方法的局限性。问题，在医疗应用中这是一个普遍存在的问题。

中本工作提出了一种新颖的方法，用于提高由多个变分量子电这项工作介绍了一种改进分类性能的新方法，适用

2路（VQCs）顺序排列的量子神经网络（QNN）的分类性能。该策于由多个变分量子电路(VQCs)[5]组成的量子神经网

v略通过利用测量操作来增加模型的非线性，并提高了其捕捉复杂

7络(量子神经网络)[6]，即通过迭代训练优化的参数化

9模式的能力。在此次分析中，所提方法与经典模型进行了对比，量子电路，按顺序排列。提出的方法利用测量操作增强

7同时改变了其自由度，特别是涉及的VQC数量，在三个知名医

0疗数据集上进行测试——前列腺癌、心力衰竭和糖尿病。结果证了模型的非线性能力，从而提高了其检测和分类复杂模

2

.明了量子模型的潜力，并展示了所提出方法的有效性，表明其优式的能力。

5

0势随着分类复杂性的增加而增强。该策略的性能通过经典机器学习模型进行评估，包

5IndexTerms—量子机器学习，量子神经网络，变分量子电括逻辑回归、决策树、随机森林和支持向量机（SVM），

2

:路，医疗保健，分类同时改变其自由度，特别是VQC的数量，在三个广泛

v

i

xI.介绍使用的医疗保健数据集上：心力衰竭[7]，糖尿病[8]和

r

a前列腺癌[9]。这些数据集被选用来代表多样化的诊断

准确和及时地诊断癌症或心力衰竭等疾病对于快挑战。

速医疗干预以及提高患者生存率至关重要。近年来，机为了应对当前嘈杂中等规模量子（NISQ）设备和量

器学习(机器学习)通过开发分类模型[1]使用从患者子模拟器的约束，应用了主成分分析(主成分分析)[10]

数据中提取的特征（包括生物标志物、基因组和医学影预处理步骤以降低数据集的维度。此预处理步骤确保了

像）来检测疾病的诊断