量子科技中心_量科网

随着人类预期寿命的延长，阿尔茨海默病（AD）已成为全球重大健康挑战。尽管基于经典人工智能的方法已被开发用于AD早期诊断和分期分类，但日益增长的数据量和有限的计算资源要求更快速、更高效的方法。基于量子的人工智能方法利用量子叠加与纠缠原理以及高维希尔伯特空间，能够突破经典方法的局限，对高维度、异质性和含噪声数据提供更高精度。该研究受经典模型并行原理启发，提出一种量子并行模型（QBPM）架构，利用MRI数据集实现AD分期的高效分类。该模型通过在同一量子模拟器上并行运行两个独立量子电路（均包含旋转和纠缠模块）来发挥量子优势。研究人员在两个不同数据集上评估了模型的分类性能以验证其整体鲁棒性和泛化能力。结果显示该模型在两组数据中均实现高分类准确率，突显其优异的稳健性和泛化性。在模拟真实场景的高斯强噪声条件下获得的实验结果，进一步为该模型不仅具有理论价值更具实践适用性提供了实证依据。此外，与五种经典迁移学习方法相比，该模型以更少的电路参数实现了更高分类精度和相当的执行时效，证明了其作为经典方法替代方案的优越性。研究结果表明，QBPM架构为阿尔茨海默病等复杂疾病分期分类提供了一种创新且强有力的解决方案。