2026年8月11日——当许多研究人员正竞相证明量子计算机能比当今的计算机更快完成哪些任务时，Amir Kalev 关注的是一个不同的问题：量子计算如何帮助医生更早发现癌症、更精准地进行治疗并减少人类的痛苦？

作为南加州大学（USC）Viterbi 信息科学研究所（Information Sciences Institute）的首席量子科学家（该研究所隶属于 USC Stevens 计算与人工智能学院），同时担任 USC Dornsife 文理学院物理与天文学系兼职研究教授的 Kalev 认为，量子计算有望变革医学影像，让医生在诊断癌症和制定治疗计划时获得更准确的信息。

“我们选择关注医疗健康领域，是因为医学影像是一个需要精确预测的领域，”Kalev 说。

这一信念促使 Kalev 及其合作者开发了将量子计算与人工智能相结合的新方法。他们最新的研究探索了混合量子-经典方法能否改善 AI 分析医学图像的方式，为未来辅助医生诊断和治疗癌症的工具奠定基础。

这项工作仍处于早期阶段，但其潜力巨大。

为医生提供更清晰的图像

医生每天依赖 MRI、CT 和超声扫描来诊断疾病和制定治疗计划。如今，他们也越来越多地依赖人工智能来帮助解读这些图像。

然而，在 AI 能够帮助医生决定如何治疗患者之前，它必须执行一项名为图像分割的关键任务。

这个术语听起来很专业，但其概念很简单。图像分割不仅仅是识别肿瘤，而是逐像素描绘肿瘤的精确轮廓，将癌变组织与健康组织分离开来。

这些边界至关重要。

医生越准确地看到肿瘤的起始和结束位置，就越能精准地进行放射治疗、规划手术并评估治疗是否有效。更好的分割还能减少对邻近器官的不必要损伤，改善治疗效果和生活质量。

Kalev 怀疑量子计算可以帮助 AI 产生更清晰的边界。

为了验证这一想法，他与自己的前学生 Naman Jain 合作——Jain 于 2025 年获得量子信息科学硕士学位。两人共同创建了量子特征提取模块（Quantum Feature Extraction，简称 QuFeX）——一个旨在增强而非取代现有 AI 系统的全新量子模块。

他们的研究成果最终以论文形式发表在《Quantum Science and Technology》期刊上，题为“QuFeX: Quantum Feature Extraction Module for Hybrid Quantum-Classical Deep Neural Networks”。

“真正的洞察在于数据问题，”Jain 说。“在医学领域，数据集通常非常小，而且质量往往很低。传统的 AI 方法需要海量数据才能可靠运行。我们想看看量子技术能否缩小这一差距。”

事半功倍

在开发出 QuFeX 之后，Kalev 和 Jain 将其集成到 U-Net 中——这是医学图像分析领域应用最广泛的 AI 系统之一。由此产生的 Qu-Net 是一个将传统人工智能与量子计算相结合的混合系统。

研究人员在多个图像分割基准测试（包括医学数据集）上，将 Qu-Net 与领先的经典 AI 模型进行了对比测试。

“最让我们惊讶的不仅是它比经典基线模型提升了约 7%，而且它只使用了大约 25 万个参数，而 U-Net 需要 150 万个参数，”Kalev 说。

这一发现表明，量子增强的 AI 可能以更少的资源做更多的事情。Qu-Net 在性能上超越了经典模型，同时使用的参数仅约为后者的六分之一。这一结果有望降低计算成本、缩短训练时间，并使先进 AI 在医院中更实用。

“我们比拼的不只是量子是否更快，”Jain 说。“还在于它是否同样高效。”

更重要的是，Qu-Net 能更准确地勾画出可疑组织的边界，为医生提供更清晰的治疗区域地图，让他们清楚哪些部位需要治疗、哪些应当避开。

将研究转化为更好的癌症治疗

为了走出实验室，Kalev 已开始与南加州大学 Keck 医学院的医生合作，以确定量子增强 AI 能否改善临床护理。

这项合作将 Kalev 与 Keck 放射肿瘤学系主任 Eric Chang 博士联系在一起。两人正在共同探索量子机器学习能否加速放射治疗计划中最关键的步骤之一：在治疗开始前勾画出肿瘤和健康器官的轮廓。