混合量子神经网络在法医人类学性别诊断中的应用研究：基于颅骨形态的计算机辅助分析新方法

研究人员针对法医人类学中骨骼遗骸性别鉴定的关键问题，创新性地将混合量子经典神经网络（HQNNs）引入颅骨形态分析领域。通过开发并行混合网络（PHN）和混合量子卷积网络（HQCNN），结合快速傅里叶变换（FFT）特征提取技术，在1400例颅骨扫描数据集上实现87.4%的性别分类准确率，较传统方法提升5%，并首次在量子处理器（QPU）上验证了模型可行性。该研究为法医鉴定提供了高精度、低参数量的量子增强解决方案，开创了量子计算在人类学应用的新范式。

　　

在法医人类学和考古学领域，从骨骼遗骸中准确判定性别是重建个体生物特征和古代人口结构的基础。传统方法主要依赖骨盆和颅骨的形态学观察或线性测量，但存在主观性强、操作依赖经验等问题。尽管机器学习技术如多层感知机（MLP）已应用于该领域，最高准确率仅达82.25%，且对不完整骨骼的适应性有限。与此同时，量子机器学习（QML）凭借量子比特（qubit）的叠加和纠缠特性，在数据处理方面展现出独特优势，但尚未被引入人类学研究。

为突破这一技术瓶颈，Terra Quantum AG的Asel Sagingalieva团队在《Informatics in Medicine Unlocked》发表研究，首次将混合量子经典神经网络（HQNNs）应用于颅骨性别分类。研究基于1400例均分的男女侧位MDCT扫描图，通过高斯平滑和Canny算法提取颅顶轮廓，采样128个等距点生成傅里叶描述符作为输入特征。团队创新设计了两种架构：并行混合网络（PHN）整合了量子深度注入层（QDI）与经典MLP，通过8量子比特的变分量子电路（VQC）实现特征重上传；混合量子卷积网络（HQCNN）则采用4量子比特的量子卷积层（QuanvLayer）替代传统卷积核。所有模型通过Adam优化器训练，并利用Optuna进行超参数调优。

PHN展现显著优势

在9:1交叉验证中，PHN以87.4±3.0%的准确率显著超越MLP（82.5±2.2%），且参数量仅为后者的1/5（3892 vs 19158）。特别在数据量受限时（100-300样本），PHN表现更稳定，标准差较MLP降低30%。量子层通过周期性模式捕捉弥补了经典网络的非线性拟合局限，误差分析显示其能更好识别中频段傅里叶特征差异。

HQCNN性能突破

HQCNN以83.4±2.2%的准确率超越传统CNN（82.4±2.7%），参数量相当（7360 vs 7384）。量子卷积核通过R_Y旋转编码和CNOT纠缠，在10×10图像块处理中提取出更 discriminative 的特征映射，PR曲线下面积（0.928）显著优于CNN（0.923）。

量子硬件验证

研究团队在IBM的127量子比特处理器（ibm-brisbane）上部署PHN，仅用280秒即完成140个样本的推理，实测准确率达90.71%，与理想模拟结果（92.14%）误差仅1.43%。这表明当前量子硬件已具备运行复杂混合模型的能力。

该研究开创了量子计算在法医人类学的应用先河，其创新性体现在三方面：技术上，PHN通过量子-经典并行架构实现参数效率与精度的双重提升；方法上，首次验证了傅里叶特征与量子计算的协同效应；应用上，为不完整遗骸分析提供了鲁棒性更强的解决方案。未来通过集成自动轮廓提取CNN，可进一步消除操作者依赖性，推动计算机辅助诊断系统在考古发掘和刑事侦查中的实际应用。正如作者指出，随着量子处理器性能提升，此类混合模型在年龄推定、 ancestry 分析等更复杂任务中具有广阔前景。