使用量子机器学习方法分析血细胞图像：平衡传播与变分量子线路检测急性髓系白血病
新兴技术
2026-01-27 v1 机器学习
量子物理
摘要
本文提出了一项可行性研究，证明量子机器学习（QML）算法尽管在严格约束下运行，但在现实世界医学成像中实现了具有竞争力的性能。我们评估了平衡传播（EP）——一种不使用反向传播（由于态坍缩测量而与量子系统不兼容）的基于能量的学习方法，以及变分量子线路（VQCs），用于从血细胞显微图像中自动检测急性髓系白血病（AML），采用二分类（2 类：AML 对健康）。关键结果：使用 AML-Cytomorphology 数据集（18,365 张专家标注图像）的有限子集（每类 50-250 个样本），尽管图像分辨率降低（64x64 像素）、工程特征（20D）且通过 Qiskit 进行经典仿真，量子方法的性能仅比经典 CNN 低 12-15%。EP 在不使用反向传播的情况下达到了 86.4% 的准确率（仅比 CNN 低 12%），而 4 比特 VQC 达到了 83.0% 的准确率，并具有一致的数据效率：VQC 在每类仅 50 个样本的情况下保持稳定的 83% 性能，而 CNN 需要 250 个样本（多 5 倍数据）才能达到 98%。这些结果为医疗保健中的 QML 确立了可复现的基线，验证了 NISQ 时代的可行性。
引用
@article{arxiv.2601.18710,
title = {Analyzing Images of Blood Cells with Quantum Machine Learning Methods: Equilibrium Propagation and Variational Quantum Circuits to Detect Acute Myeloid Leukemia},
author = {A. Bano and L. Liebovitch},
journal= {arXiv preprint arXiv:2601.18710},
year = {2026}
}
备注
5 pages, 1 figure, 2 tables