使用量子人工智能检测肺炎

# 利用量子人工智能检测肺炎 来源：https://www.lmu.de/en/newsroom/news-overview/news/detecting-pneumonia-with-quantum-ai-b0e6afc4.html 肺炎是全球婴儿和老年人死亡的主要原因之一。在 X 光片上，尤其是早期阶段，肺炎往往难以识别。经过训练的自动化图像分类系统能够区分健康肺部和患病肺部，从而提升诊断准确性。然而，训练这些模型所用的医学图像数据集通常较小，且健康与患病病例比例不平衡。这限制了鲁棒高精度分类器的开发。 慕尼黑大学（LMU）移动与分布式系统教席开发的新模型可以帮助医生更快、更准确地诊断疾病——例如，通过检测 X 光片上的肺炎。未来，这种基于量子的系统有望只用一小部分参数，就达到与同类经典模型相当的性能。 ## 工作原理 健康肺部的 X 光片与患病肺部的图像并列 © QuCUN / LMU 目前，医学图像数据的分类大多采用神经网络，尤其是卷积神经网络（CNN）。尽管这些模型精度很高，但由于需要优化的参数数量庞大，它们在小数据集上容易过拟合。因此通常需要采用迁移学习和正则化等额外技术。 去年发表的一项基础研究中，LMU 研究人员探索了基于量子技术的潜力。他们开发的模型基于所谓的量子玻尔兹曼机（QBM）——这是一种从数据中学习概率分布的概率模型。训练和推理所需的采样过程使用了量子退火，这是一种利用量子隧穿等量子力学效应的优化技术。 研究人员如今已将这项技术应用于 QuCUN 量子网络平台的实际案例中。QuCUN 是 LMU、Aqarios、BASF 和 SAP 的联合项目，由德国研究、技术与航天部资助。通过使用分类图像数据——在当前案例中，来自 MedMNIST 数据集的儿童胸部 X 光片——模型从训练数据中学习概率分布，其中相关结构特征（如肺炎患者比健康者更可能出现特征性阴影和实变）出现在训练数据中。然后，模型能够根据这些学习到的特征评估新的、未见过的图像，并连同置信概率将其归类为“健康”或“患病”。 ## 9,000 个可训练参数，而非 1,100 万个 结果显示，QBM 模型在少于 9,000 个可训练参数的情况下达到了约 84-86% 的准确率。虽然这落后于已建立的在相同数据集上达到约 94% 准确率的图像分类模型，但它只用了极少数的参数。作为对比，流行的经典 CNN 架构（如 ResNet-18）拥有超过 1,100 万个可训练参数。 > 我们的研究表明，量子机器学习算法可以比同类经典方法提供特定优势——例如在数据可用性有限的情况下。 ### 量子计算的实际应用 该量子算法已在 QuCUN 量子项目平台上公开发布。用户可免费注册于 https://app.qucun.de/use-cases/medmnist，自行对 X 光片进行分类。然后他们可以运行量子应用程序，查看结果和实际临床诊断，并判断哪个是正确的。 © LMU ## 量子计算更快速 研究表明，基于量子退火的量子机器学习模型（如量子玻尔兹曼机）能够在某些情况下大幅缩短图像分类任务的训练时间——即使数据集很小，也能识别复杂的特征相关性。 “我们的研究表明，量子机器学习算法可以比同类经典方法提供特定优势——例如在数据可用性有限的情况下，”LMU 移动与分布式系统教席博士生、研究团队成员 Tobias Rohe 表示。“现在需要进一步探索这些优势，确定合适的用例，并随着量子硬件的成熟逐步将技术从研究转化为临床实践。但我们必须承认，在这条激动人心的道路上仍然任重道远。” 后续研究需要评估在更具临床现实性的数据集上的性能。此外，底层量子硬件及其实际实现都仍处于早期开发阶段。 Daniëlle Schumann, Mark V. Seebode, Tobias Rohe, Maximilian Balthasar Mansky, Michael Schroedl-Baumann, Jonas Stein, Claudia Linnhoff-Popien, Florian Krellner： 《使用并行退火的量子玻尔兹曼机进行医学图像分类》（https://doi.org/10.1109/QCE65121.2025.00233）。IEEE Xplore, 2025。 **关于 QuCUN**： QuCUN（https://app.qucun.de/）是 Quantum Computing User Network 的缩写，是一个由 LMU、Aqarios、BASF 和 SAP 参与的德国项目，由德国研究、技术与航天部资助。作为其使命的一部分，QuCUN 帮助工业合作伙伴为量子计算时代做好准备——无需高额前期投资。