量子与经典特征的补完性：基于自适应混合量子-经典特征融合的乳腺癌分类
计算机视觉与模式识别
2026-04-28 v1 人工智能
摘要
量子机器学习与经典深度学习的集成为医学图像分析提供了前景的方案，通过将数据映射到高维希尔伯特空间。然而，有效地统一这两种范式仍具有挑战性，因为存在常见的优化不对称性。在本文中，提出一种基于双分支特征提取管线的乳腺癌诊断 novel 混合量子-经典架构。我们的框架提取并统一来自经典模型和量子电路的互补表示，探索可训练的和确定性的（不可训练的）量子范式。为集成这些嵌入，我们引入三级特征融合策略：静态混合融合（SHF）用于离线提取，动态混合融合（DHF）用于 end-to-end 共适应，以及一种 novel 温度缩放混合融合（TSHF）。TSHF 策略融入一个可学习的标量，灵感来自多模态学习，该策略动态平衡混合梯度动力学，解决优化瓶颈。在 BreastMNIST 数据集上的经验验证确认了我们的假设，即统一多样化特征表示创建更丰富的数据上下文。当将 ResNet 主干与可训练量子电路配对时，TSHF 策略实现了峰值准确率为 87.82%，F1 分数为 91.77%，AUC-ROC 为 89.08%，优于纯经典基线。这些结果表明，所提出的混合框架提高了分类准确率和阈值可靠性，为临床部署量子增强诊断工具提供了一个稳定、高性能的架构。
引用
@article{arxiv.2604.22903,
title = {On the Complementarity of Quantum and Classical Features: Adaptive Hybrid Quantum-Classical Feature Fusion for Breast Cancer Classification},
author = {Yasmin Rodrigues Sobrinho and João Renato Ribeiro Manesco and João Paulo Papa},
journal= {arXiv preprint arXiv:2604.22903},
year = {2026}
}
备注
41 pages, 16 figures. This manuscript is a preprint under review at Artificial Intelligence in Medicine