用于肺炎检测的量化卷积神经网络：一种高效的量子辅助特征提取范式
机器学习
2025-10-29 v1 人工智能
计算机视觉与模式识别
摘要
肺炎构成全球健康的重大挑战，亟需准确且及时的诊断方法。虽然深度学习，特别是卷积神经网络（CNN），在医学图像肺炎检测中显示出前景，但 CNN 常面临高计算成本、特征表示有限以及难以从小型数据集中泛化等问题。为此，本文探索应用量化卷积神经网络（QNN），利用量子计算实现特征提取的增强。本文引入一种新型混合量子-经典模型，用于肺炎检测，基于 PneumoniaMNIST 数据集。该方法运用包含参数化量子电路（PQC）的量化卷积层处理 2x2 图像块，采用旋转 Y 门进行数据编码并通过纠缠层生成非经典特征表示。这些量子提取的特征输入经典神经网络进行分类。实验结果表明，所提 QNN 在验证准确率达到 83.33%，显著高于相当于经典 CNN 的 73.33%。这一提升的收敛速度和样本效率凸显了 QNN 在医学图像分析中的潜力，尤其在数据标注有限的场景下。本研究为将量子计算集成到深度学习驱动的医疗诊断系统提供了基础，作为传统方法的计算效率更高的替代方案。
引用
@article{arxiv.2510.23660,
title = {Quanvolutional Neural Networks for Pneumonia Detection: An Efficient Quantum-Assisted Feature Extraction Paradigm},
author = {Gazi Tanbhir and Md. Farhan Shahriyar and Abdullah Md Raihan Chy},
journal= {arXiv preprint arXiv:2510.23660},
year = {2025}
}