面向医学图像分类的量子增强领域泛化：一种面向跨中心部署的轻量化方法
计算机视觉与模式识别
2026-01-27 v1
摘要
医学图像人工智能模型常在单中心或单设备设置下取得优异性能，但由于领域偏移，其在真实世界跨中心部署中的有效性常会下降，从而限制了临床泛化能力。为应对这一挑战，我们提出了一种具有量子增强协同学习的轻量化领域泛化框架，无需依赖真实多中心标注数据即可实现对未见目标领域的稳健泛化。具体而言，构建了基于 MobileNetV2 的领域不变编码器，并通过三个关键组件进行优化：(1) 利用亮度、对比度、锐化和噪声扰动进行多领域成像偏移模拟，以仿真异构采集条件；(2) 采用梯度反转的领域对抗训练来抑制领域判别性特征；(3) 引入轻量化量子特征增强层，应用参数化量子电路进行非线性特征映射与纠缠建模。此外，在推理阶段采用测试时适应策略以进一步缓解分布偏移。在模拟多中心医学成像数据集上的实验表明，所提方法在未见领域上显著优于无领域泛化或量子增强的基线模型，降低了领域特定性能方差并提高了 AUC 和灵敏度。这些结果凸显了在受限计算资源下量子增强领域泛化的临床潜力，并为混合量子-经典医学成像系统提供了可行范式。
引用
@article{arxiv.2601.17862,
title = {Domain Generalization with Quantum Enhancement for Medical Image Classification: A Lightweight Approach for Cross-Center Deployment},
author = {Jingsong Xia and Siqi Wang},
journal= {arXiv preprint arXiv:2601.17862},
year = {2026}
}