量子科技中心_量科网

该研究探讨了量子神经网络（QNN）在倾向性评分估计中的应用，以解决比较1177名俄斯特拉发大学医院（2001-2009年）结直肠癌患者接受腹腔镜与开放手术技术后生存结果时的选择偏差问题。通过包含患者人口统计学和肿瘤特征等77个变量的数据集，研究团队开发了基于QNN的倾向性评分模型，重点关注年龄、性别、肿瘤分期和BMI四个关键协变量。该QNN架构采用线性Z特征映射进行数据编码，使用SummedPaulis算子进行预测，并运用协方差矩阵适应进化策略（CMA-ES）在嘈杂量子环境中实现稳健的无梯度优化。 为减轻量子测量噪声，模型整合了方差正则化技术，并在精确模拟、采样模拟（1024次测量）及模拟噪声硬件（FakeManhattanV2）三种条件下进行测试。结果显示，尤其在模拟硬件噪声条件下，QNN在小样本（n=100时AUC最高达0.750）中表现优于经典逻辑回归和梯度提升机，噪声建模显著提升了预测稳定性。通过遗传匹配和加权匹配优化的倾向性评分匹配与加权方法，分别实现0.0849和0.0869的标准化均值差异，达到协变量平衡。 采用Kaplan-Meier估计、Cox比例风险模型及Aalen加法回归进行的生存分析表明，校正后两组无显著生存差异（p值范围0.287-0.851），证实未校正结果存在混杂偏差。这些发现证明，结合CMA-ES优化和噪声感知策略的QNN能有效提升生物医学研究中的因果推断能力，尤其适用于小样本高维数据集场景。