基于 MRI 的阿尔茨海默病分期量子模型并行
机器学习
2026-02-03 v1 量子物理
摘要
随着寿命的延长，阿尔茨海默病（AD）已成为全球范围内的主要健康关注议题。虽然已developed用于 AD 早期诊断和分期分类的经典 AI 方法，但日益增长的数据卷量和有限的计算资源迫切需要更快、更高效的方法。量子 AI 方法利用叠加和纠缠原理以及高维希尔伯特空间，可超越经典方法的局限性，为高维、异构且噪声较大的数据提供更高的准确率。在本研究中，提出了一种基于量子的并行模型（QBPM）架构，用于 MRI 数据集的高效 AD 分期分类，灵感来源于经典模型并行的原理。该模型利用两种量子电路并行运行，每种电路包含旋转模块和纠缠模块，运行在同一量子模拟器上。对该模型在两个不同数据集上的分类性能进行了评估，以衡量其整体鲁棒性和泛化能力。该模型在两个数据集上均显示出高分类准确率，凸显了其整体鲁棒性和泛化能力。在高水平高斯噪声下的结果进一步为该模型在理论及实际场景中的适用性提供了实证证据。此外，与五种不同的经典迁移学习方法相比，该模型在实现更高分类准确率和相当于执行时间的同时，利用更少的电路参数，显示其作为经典方法替代方案的效率。结果表明，所提出的 QBPM 架构代表了一种创新且强大的用于对复杂疾病（如阿尔茨海默病）分期的分类方法。
引用
@article{arxiv.2602.00128,
title = {Quantum Model Parallelism for MRI-Based Classification of Alzheimer's Disease Stages},
author = {Emine Akpinar and Murat Oduncuoglu},
journal= {arXiv preprint arXiv:2602.00128},
year = {2026}
}
备注
Under review at Quantum Machine Intelligence (Springer Nature)