
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于无泄漏堆叠的自适应量子核选择方法,用于NISQ硬件环境下的临床诊断
《Scientific Reports》:Adaptive quantum kernel selection via leakage-free stacking for clinical diagnostics on NISQ hardware
【字体: 大 中 小 】 时间:2026年06月13日 来源:Scientific Reports 3.9
编辑推荐:
摘要量子核方法可将临床特征映射到规模极大的希尔伯特空间中,在该空间中,相互重叠的生物标志物比在固定维度的传统特征空间中更易于区分。但现有研究仅评估单一量子特征映射,忽视了“荒芜高原”现象,且依赖容易受到数据泄漏影响的单一训练-测试分割方式。帕金森病、乳腺癌和糖尿病的传统诊断方法仍
量子核方法可将临床特征映射到规模极大的希尔伯特空间中,在该空间中,相互重叠的生物标志物比在固定维度的传统特征空间中更易于区分。但现有研究仅评估单一量子特征映射,忽视了“荒芜高原”现象,且依赖容易受到数据泄漏影响的单一训练-测试分割方式。帕金森病、乳腺癌和糖尿病的传统诊断方法仍受限于固定维度核函数所带来的生物标志物分布之间的特异性与召回率之间的权衡问题。我们提出了一种自适应混合量子框架,通过三种不同的量子特征映射——角度、振幅和ZZ纠缠——来处理临床数据,并为量子SVM和量子KNN分类器计算基于保真度的格拉姆矩阵。该框架还采用逻辑回归元学习器,通过嵌套交叉验证(5折内验证,10折外验证)得到的严格外部预测数据来训练,从而确定哪种量子核函数在各个数据集上具有较好的泛化能力,进而抑制那些不具备良好泛化能力的核函数。在帕金森病(195例患者)、乳腺癌(569例)和糖尿病(768例)的数据集上,经过1,000次迭代的自举法验证后,该集成方法将帕金森病的特异性从0.585提升至0.813(\(p<0.001\)),同时保持召回率在0.95以上;在乳腺癌的检测中,其性能与传统的RBF-SVM相当(所有指标均满足\(p>0.05\));糖尿病的召回率则从0.553提升至0.621(\(p=0.004\))。而独立的变分量子分类器在所有数据集上的表现都很差(ROC-AUC值在0.51到0.57之间),这进一步证明了“荒芜高原”现象的存在。通过SHAP、LIME和排列重要性等方法进行可解释性分析后发现,不同数据集对量子核函数的信任程度存在差异:该元学习器在糖尿病数据集中抑制了QKNN振幅特征的作用(系数为\(-0.353\)),而在帕金森病数据集中则增强了这一特征的作用(系数为1.761)。基于PCA的特征回溯方法则帮助识别出了糖尿病相关的胰岛素和葡萄糖等生物标志物、帕金森病相关的声音异常指标以及乳腺癌相关的细胞核几何特征。噪声模拟实验表明,该框架在近理想量子计算条件下仍能保持良好的性能。此外,该框架还能实现基于数据的核函数选择,无需预先指定编码策略。