量子科技中心_量科网

医学图像分类在医学影像分析中发挥着至关重要的作用，但由于标注数据有限、类别不平衡以及医学模式的复杂性，该任务仍面临巨大挑战。为应对这些挑战，该研究团队提出了一种新型混合量子-经典神经网络（HQCNN），适用于二分类和多分类任务。该架构将五层经典卷积主干网络与4量子比特变分量子电路相结合，创新性地融合了量子态编码、叠加纠缠态以及受傅里叶变换启发的量子注意力机制。研究人员在MedMNIST v2六个基准数据集上的实验表明：HQCNN在PathMNIST（二分类）获得99.91%准确率与100.00% AUC值，在OrganAMNIST（多分类）达到99.95%准确率，对BreastMNIST等含噪声数据集仍保持强鲁棒性（87.18%准确率），各项指标均显著超越经典与量子基线模型。该工作以极少的可训练参数实现了卓越的泛化能力和计算效率，特别适用于数据稀缺场景。这些发现为量子-经典混合模型推进医学影像任务提供了有力的实证依据。