2026年7月14日——肺炎是全球婴儿和老年人死亡的主要原因之一。在X光片上，特别是早期阶段，肺炎往往难以识别。经过训练能够区分健康肺部和患病肺部的自动图像分类系统可以提高诊断的准确性。然而，用于训练这些模型的医学图像数据集通常规模较小，且健康与患病病例的比例不平衡。这限制了稳健、高精度分类器的开发。

慕尼黑大学（LMU）移动与分布式系统教席开发的一种新模型可以帮助医生更快、更精确地诊断疾病——例如，通过检测X光片上的肺炎。未来，这种基于量子的系统可以在仅使用极少参数的情况下，达到与同类经典模型相当的性能。

工作原理

目前，医学图像数据的分类主要使用神经网络，特别是卷积神经网络（CNN）。尽管这些模型可以实现高精度，但由于需要优化的参数数量庞大，它们在小数据集上容易出现过拟合。这通常意味着必须采用迁移学习和正则化等额外技术。

在去年发表的一项基础研究中，LMU的研究人员探讨了基于量子技术的潜力。他们开发的模型基于所谓的量子玻尔兹曼机（QBM）——一种从数据中学习概率分布的统计模型。训练和推理所需的采样过程使用了量子退火，这是一种利用量子隧穿等量子力学效应的优化技术。

研究人员现在已将该技术应用于QuCUN量子网络平台上的一个真实场景。QuCUN是LMU、Aqarios、BASF和SAP的联合项目，由德国研究、技术与航天部资助。利用已分类的图像数据——在当前的用例中，是来自MedMNIST数据集的儿童胸部X光片——该模型从训练数据中学习概率分布，其中肺炎患者的相关结构特征（如特征性阴影和实变）出现的可能性高于健康个体。然后，模型可以根据这些学习到的特征评估新的、未见过的图像，并将其分配到“健康”或“患病”类别，同时给出置信概率。

9000个可训练参数对比1100万个

结果显示，QBM模型使用少于9000个可训练参数，即可达到约84-86%的准确率。虽然这落后于成熟图像分类模型在同一数据集上约94%的准确率，但其使用的参数数量极少。作为对比，一个流行的经典CNN架构（如ResNet-18）拥有超过1100万个可训练参数。

我们的研究表明，量子机器学习算法与同类经典方法相比，可以提供特定优势——例如，在数据可用性有限的情况下。

量子计算速度更快

正如该研究所证明的，基于量子退火的量子玻尔兹曼机等量子机器学习模型，在某些情况下可以大幅减少图像分类任务的训练时间，并且即使在小数据集上也能识别复杂的特征关联。

“我们的研究表明，量子机器学习算法与同类经典方法相比，可以提供特定优势——例如，在数据可用性有限的情况下，”LMU移动与分布式系统教席博士生、研究团队成员Tobias Rohe表示。“现在的关键是要进一步研究这些优势，确定合适的用例，并随着量子硬件的成熟，逐步将这项技术从研究转化为临床实践。然而，我们必须承认，在这个激动人心的旅程中，仍有很长的路要走。”

还需要进行后续研究，以评估该模型在更具临床现实意义的数据集上的性能。此外，底层量子硬件及其实际应用都仍处于早期发展阶段。