量子-经典双轨深度学习网络实现可解释帕金森病分类:基于手绘图像与临床数据的多模态融合研究

《Frontiers in Artificial Intelligence》:A quantum–classical dual-track deep learning network for explainable Parkinson’s disease classification

【字体: 大 中 小 】 时间:2026年04月13日 来源:Frontiers in Artificial Intelligence 4.7

编辑推荐:

  本研究针对帕金森病早期诊断中传统MDS-UPDRS量表主观性强、单模态计算模型难以捕捉复杂特征的问题,提出融合手绘螺旋/蜿蜒图像与结构化临床数据的量子-经典双轨网络。该模型通过拓扑视觉-空间特征编码器网络(TVSFE)与变分量子特征映射网络(VQFMN)协同学习,在HandPD测试集实现97.28%准确率,并通过Grad-CAM与扰动敏感性分析实现决策可追溯,为神经退行性疾病辅助诊断提供新范式。

  
帕金森病作为一种进行性神经退行性疾病,正悄然影响着全球约2%-3%的60岁以上人群。这种由黑质多巴胺能神经元丢失引发的疾病,早期仅表现为手部轻微震颤或肢体僵硬,极易与普通衰老混淆。目前临床诊断依赖的MDS-UPDRS量表,不仅需要经验丰富的医生耗时评估,还存在主观性强、标准化不足的局限。尽管计算机辅助诊断系统已尝试引入机器学习技术,但多数模型仍受限于单模态数据——要么仅分析语音、步态等单一生物标志物,要么因数据集小而面临过拟合风险,难以在临床场景中实现可靠应用。
在这样的背景下,一项发表于《Frontiers in Artificial Intelligence》的研究另辟蹊径,将量子计算的独特优势与传统深度学习相结合,构建了一套双轨多模态网络,为帕金森病的精准诊断开辟了新路径。
研究团队首先面临的挑战是如何有效整合两种截然不同的数据类型:一是患者手绘的螺旋与蜿蜒图像,这类图像能直观反映精细运动控制能力;二是包含年龄、性别及Root Mean Square(RMS)等量化指标的结构化临床数据。为此,他们设计了两个并行处理轨道:拓扑视觉-空间特征编码器网络(Topological Visual–Spatial Feature Encoder Network, TVSFE)与变分量子特征映射网络(Variational Quantum Feature Mapping Network, VQFMN)。TVSFE采用基于Ghost模块的卷积神经网络,嵌入坐标注意力(Coordinate Attention, CA)、挤压-激励(Squeeze-and-Excitation, SE)和三重注意力(Triplet Attention, TA)机制的跨维度注意力瓶颈(Cross-Dimensional Attention Bottleneck, CDAB)块,随后通过振幅嵌入(Amplitude Embedding)接入量子变分电路;VQFMN则直接将结构化数据经RY旋转门编码后输入强纠缠层(Strongly Entangling Layers)。两路特征拼接后经全连接层完成分类。
研究采用的数据集包括公开的HandPD与NewHandPD,前者含736张手绘图像(368张螺旋、368张蜿蜒)及对应临床元数据,后者为扩展版本包含原始传感器信号。图像预处理阶段通过灰度抑制算法分离患者笔迹与模板,公式定义为:若像素i的红(R)、绿(G)、蓝(B)通道强度差绝对值均小于45,则标记为1(保留笔迹),否则为0;处理后的图像统一缩放至512×512像素。结构化数据则归一化至[0, π]区间以适应量子电路输入要求。模型训练基于PyTorch与PennyLane框架,采用Adam优化器与焦点损失(Focal Loss, γ=3),并通过ReduceLROnPlateau调度器与早停策略防止过拟合。
实验结果令人振奋。在HandPD测试集上,完整模型达到97.28%准确率、96.60%精确率、96.62%召回率与96.54% F1分数,显著优于所有对比的CNN、Transformer及传统机器学习基线。五折交叉验证显示平均准确率为96.58%,95% Bootstrap置信区间为[0.9624, 0.9690],证实结果稳定性。在外部数据集NewHandPD上,模型仍保持95.45%的均衡性能。
消融实验进一步揭示了各模块的贡献:单独使用TVSFE轨道准确率为93.93%,VQFMN轨道为88.51%;若将量子组件替换为经典全连接层,准确率降至92.57%。这表明量子电路的引入有效提升了特征表达能力,而双模态融合策略则发挥了协同增益作用。
为增强模型可解释性,研究团队采用梯度加权类激活映射(Gradient-Weighted Class Activation Mapping, Grad-CAM)可视化TVSFE的决策依据,发现模型能精准聚焦于帕金森病患者手绘图像中轨迹不规则、环路扭曲及笔画断裂区域——这些正是临床公认的精细运动功能障碍标志。对VQFMN的扰动敏感性分析则识别出RMS(笔迹与模板的平均偏差)与年龄为最具影响力的结构化特征,与医学认知高度吻合。
在与现有研究的横向对比中,该模型以1.5M参数量实现了最优性能,超越了参数量高达86M的Vision Transformer(ViT)及多种经典CNN架构。即便与近期结合量子启发算法的混合CNN相比,其97.28%的准确率仍高出0.58个百分点。
尽管研究仍存在量子电路模拟未考虑硬件噪声、计算开销较大等局限,但其提出的“经典注意力机制+量子特征映射”双轨框架,成功突破了单模态模型的性能瓶颈,并通过可视化技术实现了决策过程可追溯。这种将前沿量子计算与临床医学需求深度结合的策略,不仅为帕金森病的早期筛查提供了高精度工具,也为其他神经退行性疾病的辅助诊断研究树立了新范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号