量子辅助优化与安全技术在构建可靠的人工智能驱动医疗保健中的应用

《IEEE Transactions on Quantum Engineering》：Quantum-Assisted Optimization and Security for Trustworthy AI-Driven Healthcare

　　

摘要：

在临床决策、患者管理以及分布式学习方面，数字健康越来越依赖人工智能技术，但目前仍存在两个亟待解决的难题：一是诸如手术室调度和基因组特征选择等优化任务的计算复杂性极高；二是联邦学习和医疗物联网系统容易遭受恶意攻击，因此需要强大的安全保障。现有的解决方案往往都是单独处理这些问题，且在可扩展性、可解释性以及抵御高级攻击能力方面存在不足。本文提出了一种混合量子-经典架构（HQCA），该架构将用于受限医疗决策的量子近似优化算法（QAOA）与用于安全认证的量子数字签名技术（QDS）相结合。这一分层架构结合了经典预处理技术与NISQ时代的量子模块，并在经过校准的IBM Eagle级噪声模型下进行了验证。我们通过浅层QAOA（p ≤ 3）以及基于SWAP测试的QDS验证方法，对包括手术室调度、基因组特征选择、联邦学习完整性以及医疗物联网固件认证在内的四类典型任务进行了评估。结果显示，与经典方案相比，HQCA可将手术室的平均处理时间缩短约7.5%，加班时间减少一半，同时仍能保持99.5%以上的调度成功率。在基因组分析方面，它能在减少32%特征数量的情况下提升分类性能。在安全性方面，它将联邦学习中的成功恶意攻击比例从20.7%降至3.8%，而在30次医疗物联网遥测测试中均未出现恶意欺骗行为，且验证延迟处于实际可接受的水平。这些结果表明，一种统一的混合架构能够在保证信息论层面真实性保障的同时提升决策质量，且验证延迟具有实际操作可行性，为随着量子硬件发展而实现安全高效的数字健康提供了可行路径。