量子科技中心_量科网

量子机器学习已成为提升医学影像等高维数据领域特征提取与分类任务性能的前沿方法。该研究团队提出了一种混合量子-经典卷积神经网络（QCNN）架构，专为乳腺MNIST数据集的良恶性肿瘤二元分类任务设计。该架构将经典卷积特征提取与两种量子电路相结合：振幅编码变分量子电路（VQC）和采用环形纠缠结构的角度编码VQC电路（均基于四个量子比特实现）。这些电路生成的量子特征嵌入与经典特征融合形成联合特征空间，最终由全连接分类器处理。 为控制变量，混合QCNN的参数规模与基线经典CNN严格匹配，从而精确量化量子层的贡献。两种模型在相同条件下采用Adam优化器和二元交叉熵损失函数进行训练。五次独立实验表明，混合QCNN相比经典CNN取得了统计学显著的分类准确率提升（单侧Wilcoxon符号秩检验p=0.03125，Cohen's d效应量达2.14）。研究结果证实，混合QCNN架构能通过量子纠缠和特征融合提升医学图像分类性能。 该工作建立了生物医学应用中评估混合量子模型的统计验证框架，并为扩展到更大数据集及近期量子硬件部署提供了技术路径。