量子科技中心_量科网

血细胞的准确分类仍然是医学图像分析中的一项关键任务，在该领域，细微的变化和有限的数据可能对传统深度学习模型构成挑战。因此，该工作研究了混合量子-经典神经网络（HQNNs）在增强特征表示和提升该领域分类性能方面的潜力。该团队提出了一种模块化架构，该架构结合了预训练的ResNet-50骨干网络、一个低维潜在瓶颈层和一个变分量子电路，从而能够直接比较量子增强变换机制与纯经典变换机制。为了隔离量子组件的贡献，研究人员评估了三种架构：一个HQNN模型、一个具有额外非线性变换层且容量相当经典匹配模型，以及一个不含中间变换阶段的基线模型。在两个公开的血细胞数据集（即血细胞图像数据集和PBC数据集）上进行的实验表明，HQNNs在各项评估指标上持续取得更优或更均衡的性能。在血细胞图像数据集中，与经典基线相比，所提出的方法将宏F1分数提升了高达3.7%；而在更具挑战性的8分类场景中，当性能接近饱和时，该方法将F1分数从98.54%提升至98.69%。在IBM量子硬件上的额外评估表明，该模型在噪声环境下依然保持鲁棒性，与模拟结果相比仅有轻微的性能下降。这些结果表明，量子特征变换能够增强判别性表示，尤其是在具有挑战性的分类场景中，并突显了HQNN模型在医学成像任务中的实际潜力。