混合量子神经网络在乳腺癌图像分类中的突破性应用

本文聚焦混合量子神经网络（Hybrid QNN）在乳腺癌图像分类的应用研究，核心发现为：结合经典深度学习与量子计算的混合架构在BreastMNIST数据集上实现90.5%的分类准确率，超越传统卷积神经网络（CNN）表现，为量子计算在医疗AI领域落地提供可行技术路径。

乳腺癌是全球女性最常见恶性肿瘤，早期筛查依赖医学影像分析，但人工阅片存在主观性与漏诊风险。传统CNN在处理复杂医学影像模式时面临瓶颈，而量子计算的叠加与纠缠特性理论上可捕捉传统模型难以学习的复杂关联。混合架构结合经典模型特征提取能力与量子电路的模式学习优势，避免纯量子模型对大规模量子比特的需求。

研究对比多种经典与混合模型表现：

• 经典基线：ResNet50（86.0%）、EfficientNetV2-S（85.5%）、EfficientNet-B5（88.5%）在BreastMNIST的准确率
• 混合模型：ResNet50+QNN（89.0%）、EfficientNetV2-S+QNN（88.0%）、EfficientNet-B5+QNN（90.5%，最佳）在BreastMNIST的准确率
• EfficientNetV2-S在BreakHis数据集上纯经典模型达77.5%，混合模型为72.5%。

使用两个公开数据集：

1. BreastMNIST：MedMNIST v2子集，含标注乳腺癌超声图像，适合快速验证
2. BreakHis：组织病理学图像，考验模型泛化能力 评估指标包括准确率、精确率、召回率、F1分数，确保医疗AI应用中假阴/阳性的均衡控制。

混合架构核心：将量子电路作为可微分层嵌入经典网络。实现工具为PyTorch（经典框架）+PennyLane（量子库）。流程：

1. 经典模型（如EfficientNet-B5）提取高层特征
2. 特征编码为量子态输入参数化量子电路（PQC）
3. 量子电路通过变分量子算法（VQA）学习模式
4. 测量结果经经典后处理输出分类预测。

• 量子增强效果：EfficientNet-B5+QNN准确率提升2%（88.5%→90.5%），具临床意义
• 模型差异：ResNet50/EfficientNetV2-S+QNN提升幅度较小，或与特征提取能力、量子电路设计相关
• 数据集挑战：BreakHis上混合模型表现下降，说明量子组件并非适用于所有场景。

项目完全开源，提供Jupyter Notebook代码（含ResNet50/EfficientNet系列基线及混合模型实验），支持Google Colab云端运行。PennyLane模拟器可在经典计算机上模拟量子电路，降低研究门槛。

当前局限：量子电路规模小（受硬件限制）、计算开销大（经典模拟效率低）、模型可解释性不足（限制临床应用）。未来方向：

1. 利用更大规模量子硬件提升表达能力
2. 优化计算效率平衡性能与开销
3. 开发可解释的量子机器学习模型。