量子机器学习用于数字健康？系统综述

随着健康数据的数字化，电子健康记录和医疗记录的增长降低了使用算法技术进行数据分析的障碍。虽然健康数据的经典机器学习技术正在商业化，但尚无明确证据表明量子机器学习（QML）是否在数字健康数据处理中提供实际优势。在本系统性文献综述中，我们评估了 QML 是否有潜力在有效性或效率方面超越现有经典方法。我们包括数字电子健康/医疗记录（EH/MRs）以及被认为是 EH/MRs 的合理代理的数据。符合条件的 QML 算法必须为量子计算硬件设计，而非量子灵感技术。PubMed、Embase、IEEE、Scopus 和 arXiv 在 2015 年至 2024 年 6 月 10 日期间检索到 4915 项研究。经过筛选 169 项合格研究后，大多数研究包含关于 QML 的广泛技术误解，我们因分析严谨性不足而排除了 123 项研究。剩余的 46 项研究中，只有 16 项研究考虑到现实的 QML 操作条件，方法要么是在量子硬件上测试算法，要么在评估 QML 算法时使用噪声量子电路。我们发现数字健康的 QML 应用主要集中在临床决策支持，而非健康服务交付或公共卫生。几乎所有 QML 模型都是线性量子模型，因此代表了一般量子算法的子集。同时，新的数据编码策略并未解决可扩展性问题，除了在需要对量子硬件施加限制性假设的情形下，这些协议对一般大型健康数据集的编码效率低下。通过确立 QML 基于健康应用的当前证据状态，我们为 QML 在数字健康中发现用例的有意义对话铺平了道路。