面向医疗健康与生命科学的量子集成方法
机器学习
2025-06-04 v1 基因组学
定量方法
摘要
小数据学习是许多实际应用中经常遇到的挑战。在本研究中，我们探讨了量子集成模型在医疗健康与生命科学小数据问题上训练时的有效性。我们在仿真中使用多达26个量子比特，在量子硬件上使用56个量子比特，构建了多种类型的量子集成模型用于二分类。我们的集成设计使用了最少的可训练参数，但需要量子比特之间的长程连接。我们在合成数据集和肾细胞癌患者的基因表达数据上测试了这些量子集成模型，任务是预测患者对免疫治疗的反应。根据在仿真和初步硬件实验中观察到的性能，我们展示了量子嵌入结构如何影响性能，并讨论了如何提取信息特征以及构建能够有效学习和泛化的模型。我们呈现这些探索性结果，以协助其他研究人员利用集成方法在小数据上设计有效的学习。将这些数据受限问题与量子计算相结合，为医疗健康与生命科学中生物样本相对于待探索特征空间较为稀缺的广泛研究带来了希望。
引用
@article{arxiv.2506.02213,
title = {Quantum Ensembling Methods for Healthcare and Life Science},
author = {Kahn Rhrissorrakrai and Kathleen E. Hamilton and Prerana Bangalore Parthsarathy and Aldo Guzman-Saenz and Tyler Alban and Filippo Utro and Laxmi Parida},
journal= {arXiv preprint arXiv:2506.02213},
year = {2025}
}