内幕简报：
最近的一项研究指出，肺癌此前已被世界卫生组织列为全球最常诊断的癌症之一。这项研究在 2024 年亚太技术创新会议上发表，探讨了 QML 如何帮助肺癌检测。通过结合两种 QML 模型 Pegasos QSVC 和变分量子分类器，作者寻求提高这种高死亡率疾病的预测准确性和效率。
根据该研究由于其晚期诊断和高死亡率，肺癌仍然是检测和治疗最具挑战性的癌症之一。CT 扫描和活检等传统诊断方法虽然可靠，但通常成本高昂且耗时，且早期检测存在局限性。此外，吸烟和接触污染物等肺癌危险因素迫切需要更有效和可扩展的检测机制。
在他们的研究中，研究人员提出了一个框架，量子机器学习可以在其中提供更有效、更准确地识别肺癌风险的方法。与传统的机器学习模型不同，QML 模型可能有潜力以更高的计算效率解决复杂问题。
该研究重点关注两种 QML 算法：Pegasos QSVC 和VQC，应用于来自 Kaggle 的肺癌数据集。该数据集包含来自 1,000 多名患者的 26 个健康相关属性，标记为肺癌低、中或高风险。
为了简化分类过程，研究人员将多类标签转换为二进制标签类问题，区分高风险和非高风险案例。然后将基于支持向量机框架的 Pegasos QSVC 算法应用于数据集，利用量子优化对肺癌风险进行分类。
Pegasos QSVC 在准确率方面优于 VQC，达到 85% 的分类率准确性。研究团队将模型的成功归因于其有效处理高维数据的能力以及由于包含正则化参数而防止过度拟合的能力。正如研究中指出的，这进一步说明了 QML 在医疗保健领域的潜力，尤其是在精度至关重要的早期癌症检测中。
这两个模型均使用准确度、召回率、精确度和 F1 等指标进行评估分数。虽然 VQC 显示出潜力，但 Pegasos QSVC 受益于其随机梯度下降优化和灵活的参数调整，可以更有效地管理数据集的复杂性。微调正则化参数进一步提高了 QSVC 的准确性和抗噪声能力，而 VQC 对量子电路的依赖相比之下阻碍了其可扩展性和性能。
虽然有整个领域都担心，在某些应用中，量子技术的成本可能超过使用该技术本身的好处，将量子计算集成到医疗保健中，特别是在预测诊断中，在考虑速度或准确性方面的任何改进时可能会提供优势。检测高死亡率疾病。然而，虽然 Pegasos QSVC 取得了巨大成功，但仍然存在需要解决的局限性。研究人员指出，这些模型的可扩展性仍然是一个问题，因为由于当前量子计算硬件能力的限制，更大的数据集可能会带来挑战。随着量子技术的成熟，随着量子纠错和量子位稳定性的进步，这些模型可能会扩展以适应更广泛的医疗保健应用。
这项研究的下一步包括扩展数据集和完善量子模型以提高其普遍性。通过这样做，QML 有朝一日可能成为智能医疗保健系统的基石，提供实时、准确的预测来挽救生命。
为这项研究做出贡献的作者包括 Manushi Munshi、Rajesh Gupta、Nilesh Kumar贾达夫、苏迪普·坦瓦尔、阿努贾·奈尔和迪帕克·加尔格。