面向真实医疗应用的隐私保护中性原子量子分类器

人工智能（AI）和机器学习（ML）在医疗领域的技术进步正在迅速兴起，关于其发展的伦理管理的讨论也日益增多。通常，医疗领域的机器学习应用关键性地要求性能、数据的可解释性以及对数据隐私的尊重。随着商业云计算服务变得越来越普及，后者正成为一个日益受到争议的话题。最近，旨在保护数据隐私的专用方法开始被开发出来。然而，这些方法通常会导致一种权衡，迫使人们在数据隐私水平和算法性能之间取得平衡。在此，我们提出了一种支持向量机（SVM）分类器模型，其训练过程被重新表述为一个二次无约束二元优化（QUBO）问题，并适配于基于中性原子的量子处理单元（QPU）。我们的最终模型不需要使用匿名化技术来保护数据隐私，因为敏感数据无需传输到云端的QPU。实际上，后者仅在训练阶段使用，从而允许未来在真实世界场景中的具体应用。最后，我们讨论了一个公开可用的乳腺癌数据集上的性能和扩展性分析，在训练过程中使用了理想和含噪声的模拟，并且还在当前可用的真实中性原子QPU上成功进行了测试。