用于医学图像诊断的生成式扩散增强与量子增强判别
计算机视觉与模式识别
2026-01-27 v1 机器学习
摘要
在生物医学工程中，人工智能已成为增强医疗诊断的关键工具，特别是在医学图像分类任务中，例如从胸部 X 射线中检测肺炎和乳腺癌筛查。然而，现实世界的医疗数据集经常表现出严重的类别不平衡，正样本数量大大超过负样本，导致模型存在偏差且对少数类的召回率较低。这种不平衡不仅损害了诊断准确性，还带来了临床误诊风险。为了应对这一挑战，我们提出了 SDA-QEC（具有量子增强分类的简化扩散增强），这是一个创新框架，将简化的基于扩散的数据增强与量子增强的特征判别相结合。我们的方法采用轻量级扩散增强器为少数类生成高质量的合成样本，从而重新平衡训练分布。随后，嵌入在 MobileNetV2 架构中的量子特征层通过在 Hilbert 空间中的高维特征映射增强了模型的判别能力。在冠状动脉造影图像分类上的综合实验表明，SDA-QEC 达到了 98.33% 的准确率、98.78% 的 AUC 和 98.33% 的 F1 分数，显著优于包括 ResNet18、MobileNetV2、DenseNet121 和 VGG16 在内的经典基线。值得注意的是，我们的框架同时达到了 98.33% 的敏感性和 98.33% 的特异性，实现了对临床部署至关重要的均衡性能。所提出的方法验证了将生成式增强与量子增强建模相结合在现实医学成像任务中的可行性，为在少样本、高度不平衡和高风险诊断场景中开发高度可靠的医疗 AI 系统提供了一条新的研究途径。
引用
@article{arxiv.2601.18556,
title = {Generative Diffusion Augmentation with Quantum-Enhanced Discrimination for Medical Image Diagnosis},
author = {Jingsong Xia and Siqi Wang},
journal= {arXiv preprint arXiv:2601.18556},
year = {2026}
}