模拟量子电路会改变CNN的关注点吗？医学图像分类中的性能与可解释性比较

大量研究分析了混合量子-经典卷积神经网络作为经典深度学习的有前景替代方案。然而，量子硬件上的网络组件带来了根本性限制，而量子电路的可扩展性导致可训练性问题。在这项工作中，我们研究了小的、经典模拟的量子电路组件是否能在复杂模型中发挥有意义的作用，为纯经典卷积架构提供替代方案。为此，我们对混合量子启发卷积神经网络（HQiCNN）与参数匹配的经典卷积神经网络（CNN）的有效性进行了系统研究，两者仅在一个中间密集神经层上有所不同。两个模型在两个真实世界的医学数据集上进行了评估，同时系统地改变不同的超参数，确保公平的模型比较，且独立于数据集和超参数。结果表明，没有一种架构始终优于另一种：HQiCNN在中等数据规模下取得最大收益，而CNN在两个数据集的较大训练集上达到最高准确率。此外，移除纠缠产生可比较的性能，同时使量子模拟具有显著更好的可扩展性，并且只有当有足够的训练数据时，更丰富的可观测集才变得有益。最后，我们提出了两种基于SHAP的可解释性工具来比较两个模型的预测，$|SHAP|$IoU和$EMD_{pos}$度量，以证明两种架构都一致关注解剖学上合理的区域。因此，我们提供了一个全面的基准测试，表明在某些条件下，混合量子启发模型是在医学图像分类等实际任务中能提供益处的替代方案。