《Intelligence-Based Medicine》：Quantum computing in medical diagnostics and treatment: A systematic review of trends, challenges and future directions
编辑推荐：
这篇综述系统梳理了量子计算（QC）与量子机器学习（QML）在医疗健康领域的融合与应用前景。面对医疗数据（如影像、基因组、电子健康记录EHRs）的爆炸式增长与高维复杂性，经典机器学习（CML）已显力不从心。文章深入探讨了量子数据编码（QDC）、变分量子电路（VQC）等QML基础，并展示了其在医学影像分析、基因组学、药物发现及医疗数据安全（如后量子密码学PQC）等关键领域的突破性潜力。作者指出，尽管面临嘈杂中尺度量子（NISQ）设备等挑战，但量子-经典混合模型已展现出在精准诊断、治疗优化及个性化医疗方面的革命性前景，为相关研究者提供了宝贵的路线图与资源。
在医疗健康日益数字化的今天，医学影像、基因组测序、临床文本和实时患者监测产生了海量且复杂的高维数据。尽管经典机器学习（CML）在此类数据分析中取得了显著成功，但其在处理高维生物医学问题时，面临着可扩展性和效率的计算限制。量子机器学习（QML）将量子计算（QC）原理与先进学习算法相结合，为数字医疗保健提供了一个变革性的新范式。其核心优势在于量子比特（qubit）的叠加与纠缠特性，有望实现对复杂数据的指数级加速处理。
量子计算基础与核心组件
量子计算的操作基础是量子比特，它不同于非0即1的经典比特，可以同时处于0和1的叠加态，通过布洛赫球进行几何化表征。信息的操纵通过量子门（如单比特的Pauli-X/Y/Z门、Hadamard门，以及多比特的CNOT门、Toffoli门）实现。将经典数据转化为量子态的过程称为量子数据编码，主要策略包括角度编码、幅度编码和基矢编码，其中角度编码因对当前嘈杂中尺度量子（NISQ） 设备更友好而备受青睐。
医学影像与计算机视觉
医学影像（如MRI、CT）的诊断涉及分割、特征提取和分类等高计算量任务。量子计算为此提供了新思路：混合量子神经网络（QNN）在处理小儿结节性硬化症（TSC）相关癫痫的嘈杂MRI数据时表现优于经典网络；量子卷积神经网络（QCNN）和量子卷积混合模型在自闭症分类、肺炎检测、脑肿瘤诊断等低数据量场景中展现出竞争力；量子辅助的迁移学习结合经典CNN特征提取器，提升了肺癌和乳腺癌分类的效能与训练速度。
基因组学与生物信息学
在基因组学领域，QML被用于癌症检测、生物标志物发现和基因组数据隐私保护。例如，变分量子分类器（VQC）可用于低级别胶质瘤（LGG）与高级别胶质瘤（HGG）的分类；量子神经网络（QNN）能协助从泛癌症数据集中发现新的免疫治疗靶点生物标志物。在数据安全方面，量子密钥分发（QKD）、量子不经意密钥分发（QOKD） 和安全多方计算（SMC）等技术，为跨机构的基因组数据隐私保护分析（如系统发育树构建）提供了可能。
药物发现与分子模拟
药物研发中的分子模拟和化合物筛选是计算密集型任务。量子计算在此大显身手：变分量子本征求解器（VQE） 可用于模拟分子（如OH+）能量计算；量子神经网络（QNN）在PubChem、BindingDB等大型化合物库的活性筛选中表现出高精度；量子生成模型，如量子生成对抗网络（QGAN） 和量子玻尔兹曼机（QBM），能够生成具有高新颖性和化学有效性的新分子结构；量子遗传算法（QGA）在优化药物-靶点相互作用和氨基酸序列设计方面，比经典进化算法收敛更快、多样性更佳。
量子自然语言处理（QNLP）
QNLP将量子计算引入语言处理领域，有望更高效地处理临床文本。量子变分分类器（QVC）和量子支持向量机（QSVM）在情感分类任务（如IMDb数据集）上，尤其在数据稀缺时，表现可媲美或超越经典模型。在生物医学领域，基于DisCoCat框架的QNLP可用于从电子健康记录（EHRs）中提取社会健康决定因素，或用于药物发现的语义关系抽取。
机遇与挑战并存
量子计算在带来指数级算力潜力的同时，也带来了安全挑战。肖尔（Shor）算法对当前广泛使用的RSA、椭圆曲线密码（ECC）等加密体系构成了威胁，这使得开发后量子密码（PQC） 或量子安全加密技术以保护敏感的医疗数据变得至关重要。
然而，通往实用化之路仍布满荆棘。当前大多数研究基于量子模拟而非真实硬件，受限于NISQ设备的量子比特数少、相干时间短、错误率高。可扩展性、跨数据集的泛化能力以及与真实临床工作流的整合仍是待解难题。未来的研究将聚焦于量子-经典混合模型、错误缓解策略和量子启发算法，以推动量子医疗从理论走向现实应用。
