基于混合量子-经典算法的认知功能障碍早期检测研究

随着量子机器学习技术的近期发展，文献中已报道了针对疾病检测的几种量子机器学习算法。本研究探讨了混合量子-经典算法用于对基于认知功能障碍患者静息状态功能磁性共振图像时间序列数据的区域兴趣数据进行分类，以应对痴呆或衰老相关的认知功能下降问题。我们的混合算法结合了经典的一维卷积层与量子卷积神经网络。在经典仿真中，所提出的混合算法在类似训练条件下显示出高于经典卷积神经网络的更高平衡准确率。此外，在 116 个脑区中，发现左前额叶、右顶叶、左罗兰斯克区、右罗兰斯克区、左侧小脑旁核、右髓鞘区、左中前额叶、右中央小脑十字核和小脑垂体等 9 个脑区在分类中作用较大，基于模型性能进行筛选。通过种子基功能连接分析进一步验证了所选 9 个脑区与认知功能下降的关联，这与先前研究 findings 一致。我们确认量子卷积神经网络对模型性能的提升以及来自混合量子-经典模型的脑区的神经科学有效性。