1. 量子机器学习与混合神经网络概述

量子机器学习（Quantum Machine Learning, QML）作为量子计算与经典机器学习的交叉领域，近年来引起了学术界和工业界的广泛关注。其核心思想是利用量子计算的独特性质——如量子叠加、纠缠和干涉——来增强传统机器学习算法的性能。在当前的NISQ（Noisy Intermediate-Scale Quantum）时代，混合量子经典神经网络（Hybrid Quantum-Classical Neural Networks, HQNNs）因其对噪声的鲁棒性和相对较低的资源需求，成为了最具实用前景的研究方向之一。

HQNNs的基本架构通常由两部分组成：经典神经网络（NN）作为特征提取器，以及量子神经网络（QNN）作为量子处理器。这种设计源于当前量子硬件的两个主要限制：一是可用量子比特数量有限（通常在50-100个量子比特范围内），二是量子线路深度受噪声积累的影响。通过让经典神经网络先对高维输入数据进行降维处理，再将精简后的特征编码到量子态上，可以有效地规避这些硬件限制。

在医疗数据分析领域，HQNNs特别有吸引力，因为医疗数据（如ECG信号、医学影像等）通常具有高维度、复杂结构和丰富的特征信息。理论上，量子计算的并行处理能力可能更高效地捕捉这些复杂模式。然而，一个关键问题尚未得到充分解答：在这些混合架构中，量子组件究竟为模型性能带来了多少实际贡献？

2. 实验设计与方法学

2.1 数据集与任务设置

本研究选用了三种不同维度的医疗数据集，覆盖了从一维到时序信号到三维体积数据的广泛范围：

1. MIT-BIH心律失常数据库（1D） ：包含47名患者的105,026条心电记录，采样率为360Hz。我们将其转化为二分类任务——区分正常心跳与心律失常事件。每条数据为一个1秒的心电片段（360个特征点）。

2. BreastMNIST（2D） ：来自MedMNIST集合的780张乳腺超声灰度图像，分辨率为224×224像素，任务为区分良性与恶性病变。数据经过归一化处理（值域[-1,1]）。

3. NoduleMNIST3D（3D） ：同样来自MedMNIST的1,633个肺部结节CT扫描，体积为64×64×64体素，分类目标为恶性与良性结节。

为确保评估的可靠性，我们采用了严格的五折交叉验证策略，特别注意避免同一患者的数据出现在不同折中，防止数据泄露。所有训练和验证集都进行了类别平衡处理。

2.2 混合模型架构设计

我们的基准HQNN架构（图1）包含三个主要组件：

[经典预处理层] → [量子神经网络] → [后处理层]

2.2.1 经典预处理模块

我们设计了三种不同复杂度的经典预处理网络，以系统评估特征提取深度对最终性能的影响：

1. 3conv ：三层卷积模块，每层包含卷积→批归一化→ReLU激活→最大池化。适用于保留丰富的空间/时序特征。

2. 1conv ：单层卷积模块，结构同上但层数减少。平衡特征提取与模型复杂度。

3. 0conv ：无卷积层，仅使用全连接层直接映射扁平化输入到潜在空间。作为基线比较。

所有卷积操作都根据输入维度进行了适配（1D卷积用于ECG，2D用于超声图像，3D用于CT扫描）。卷积模块的输出被展平后，通过一个全连接层生成潜在特征向量x，我们测试了两种维度：16和256。

2.2.2 量子神经网络模块

我们实现了四种QNN架构，覆盖主流量子编码方案：

1. 角度编码（Ang-RY） ：

   • 特征分割：将潜在向量x均分到各量子比特（如16特征→4比特，每比特4特征）
   • 编码方式：通过RY旋转门实现角度编码
   • 变分层：交替使用单量子比特任意旋转和强纠缠CNOT门（圆形连接模式）

2. 角度编码（Ang-Arb） ：

   • 类似Ang-RY，但使用通用单量子比特旋转门R(ϕ,θ,ω)，每个门编码3个特征
   • 变分层采用最近邻CZ纠缠（偶-奇交替模式）

3. 振幅编码（Amp-Gen） ：

   • 将归一化后的x直接编码为量子态振幅
   • 变分层结构与Ang-RY相同，确保参数数量可比

4. 量子卷积神经网络（QCNN） ：

   • 振幅编码输入
   • 交替应用量子卷积层（两比特酉门）和量子池化层（信息压缩到部分量子比特）

对于角度编码模型，我们额外比较了是否在编码前使用π·tanh激活函数将特征缩放到[-π,π]区间。量子测量策略上，测试了局域观测量（各量子比特的Pauli-Z期望值）和全局观测量（所有量子比特Pauli-Z的张量积）。

2.2.3 经典对照模型

为隔离量子组件的贡献，我们构建了对应的纯经典模型，保持预处理结构相同，但将QNN替换为：

• 无隐藏层（直接映射）
• 单隐藏层（无激活）
• 单隐藏层（ReLU激活）
• 三层MLP（ReLU激活）

2.3 训练与评估协议

所有模型使用PyTorch和PennyLane（量子模拟器）实现，采用以下统一设置：

• 优化器：Adam（lr=0.001）
• 损失函数：带logits的二元交叉熵
• 批量大小：1D数据256，2D/3D数据64
• 评估指标：ROC-AUC、平均精度（AP）、平衡准确率

统计显著性通过Wilcoxon符号秩检验（配对比较）或Mann-Whitney U检验（独立比较）评估，经过Bonferroni多重检验校正（α=0.05）。

3. 关键实验结果与分析

3.1 经典预处理深度的影响

图2展示了不同预处理深度下混合模型与经典模型的性能对比。几个重要发现：

1. 维度依赖性 ：在2D和3D数据上，更深的经典预处理（3conv）显著优于浅层结构（p<0.01），表明高维数据需要更强的经典特征提取。而在1D ECG数据上，预处理深度的影响不显著。

2. 混合vs经典 ：纯经典模型在所有设置下都表现出更稳定的性能（更窄的IQR）。虽然最佳HQNN配置（如Amp-Gen+0conv）偶尔能达到经典模型水平，但多数情况下混合模型的中位数性能更低。

3. 量子组件的角色 ：当经典预处理足够强大时（如3conv），量子组件的相对贡献变得不明显，暗示QNN可能更适合处理已经高度提炼的特征。

实践建议 ：在实际应用中，应优先确保经典预处理足够强大，特别是对于高维数据。量子组件的引入需要谨慎评估，可能更适合特定场景而非作为通用解决方案。

3.2 潜在空间维度的选择

图3比较了16维与256维潜在空间的效果：

1. 维度压缩的价值 ：HQNNs在较小潜在空间（16维）中表现显著更好（1D数据p<0.001）。这与量子比特数量有限的特点一致——过高的特征维度可能导致信息在编码过程中"拥挤"。

2. 经典模型的弹性 ：经典模型对潜在维度的变化不敏感，说明神经网络可以自动学习适当的特征压缩。

3. 量子优势的边界 ：在16维设置下，部分HQNNs（特别是振幅编码）接近经典性能，但在256维时差距拉大，反映当前量子处理高维特征的能力有限。

3.3 量子编码方案的对比

图4详细比较了四种QNN架构：

1. 编码方式的决定性影响 ：振幅编码模型（Amp-Gen, QCNN）在所有数据集上显著优于角度编码（p<0.01）。这与振幅编码的理论优势一致——它能以对数级量子比特编码指数级信息量。

2. QCNN的潜力 ：在2D/3D数据上，QCNN表现最佳，表明其"量子卷积"结构可能更适合处理空间局部相关性。

3. 角度编码的局限 ：Ang-Arb架构表现最差，可能与它的增量编码方式和有限参数利用效率有关。

技术细节 ：虽然振幅编码理论上有优势，但在实际硬件中，制备特定振幅所需的量子门深度可能随维度指数增长，抵消其优势。这是算法-硬件协同设计的重要课题。

3.4 量子超参数优化

图5分析了三个关键量子超参数的影响：

1. 激活函数选择 ：角度编码模型中，省略π·tanh激活显著更好（p<0.01）。可能原因是硬约束导致特征信息损失，而让经典层自适应学习合适范围更有效。

2. 纠缠的作用 ：引入纠缠有轻微正面趋势但不显著（p>0.05），与近期研究[17]一致，质疑纠缠在QML中的必要性。

3. 测量策略 ：角度编码适合局域测量，而振幅编码倾向全局测量（p<0.05）。这与它们的状态制备方式直接相关。

4. 讨论与实用建议

4.1 量子组件的实际价值

我们的系统评估揭示了关于HQNNs的几个重要见解：

1. 条件性优势 ：在特定配置（小潜在空间、振幅编码、适度经典预处理）下，HQNNs可以达到与经典模型相当的性能，但普遍优势尚未显现。

2. 维度诅咒 ：量子处理对特征维度极为敏感，这与经典ML形成鲜明对比。实践中需要精心设计维度压缩策略。

3. 编码决定上限 ：振幅编码的优越性提示我们，量子算法的设计可能比硬件进步更能推动近期应用。

4.2 医疗领域的应用启示

针对医疗数据分类任务，我们推荐：

1. 数据适配架构 ：

   • 1D信号：Amp-Gen + 轻量预处理（0conv/1conv） + 16维潜在空间
   • 2D/3D影像：QCNN + 3conv预处理 + 局域测量

2. 实施路线图 ：

   graph TD
   A[原始医疗数据] --> B{数据维度}
   B -->|1D| C[轻量经典预处理]
   B -->|2D/3D| D[深度卷积预处理]
   C & D --> E[潜在空间压缩至16-64维]
   E --> F[振幅编码/QCNN]
   F --> G[全局测量]
   

3. 避坑指南 ：

   • 避免在角度编码前使用硬约束激活
   • 优先测试小潜在空间（≤32维）
   • 对于新数据集，建议从Amp-Gen基准开始

4.3 局限与未来方向

本研究存在几个限制：

1. 仅考虑噪声-free模拟，实际硬件噪声可能进一步降低量子优势
2. 限于二元分类，多元任务可能展现不同特性
3. 未探索量子-经典交替训练等新兴范式

未来工作应关注：

• 更高效的量子编码方案
• 量子-经典协同训练算法
• 面向特定医疗模态的定制架构

5. 结论

这项研究通过系统评估HQNNs在医疗数据分类中的表现，得出了三个主要结论：

1. 量子贡献的情境依赖性 ：量子组件的价值高度依赖于架构选择和数据特性，没有"放之四海而皆准"的最优配置。

2. 振幅编码的主导地位 ：在现有方案中，振幅编码展现出最稳定的性能，值得作为基准方法。

3. 实用化路径 ：HQNNs的应用需要端到端设计，从经典预处理到量子后处理的每个环节都需协同优化。

对于医疗AI实践者，我们建议采取审慎乐观的态度：在保持经典基线的同时，选择性地在特定子任务中探索量子增强方案。随着硬件和算法的进步，这种混合策略可能逐步展现其独特价值。