《Informatics》：Hybrid Quantum-Classical Neural Networks for Healthcare Prediction Powered by Automated Scientific Discovery
编辑推荐：
本研究呈现了一个可复现的评估框架，用于医疗分类中的混合量子-经典神经网络（HQCNNs），而非提出新架构。研究人员在威斯康星诊断乳腺癌（WDBC）数据集上，在相同的五折分层交叉验证下，评估了一个四量子比特HQCNN（结合紧凑经典编码器、两层参数化量子电路（PQ
本研究呈现了一个可复现的评估框架，用于医疗分类中的混合量子-经典神经网络（HQCNNs），而非提出新架构。研究人员在威斯康星诊断乳腺癌（WDBC）数据集上，在相同的五折分层交叉验证下，评估了一个四量子比特HQCNN（结合紧凑经典编码器、两层参数化量子电路（PQC）和经典读出层，共441个可训练参数）与仔细调优的经典基线模型的性能。该工作作为单数据集概念验证：贡献在于一个文档化、共享折评估协议，包含参数匹配的经典控制和量化的认知信息量分析，而非展示通用量子优势。HQCNN达到了96.49%的准确率和99.71%的ROC-AUC。一个参数匹配的经典多层感知器（441个参数）达到了95.08%的准确率；在相等容量下，HQCNN的1.41个百分点优势不具有统计显著性（配对t检验，p=0.39）。在五个共享折上，没有HQCNN与经典模型的准确率差异通过Holm–Bonferroni校正（所有调整后p>0.05），因此研究人员报告HQCNN与强调优经典基线相比具有竞争力而非优越性。一个多分割深度消融实验显示电路深度在{1,2,3}层内对准确率无统计可检测效应（2层vs3层：Wilcoxon p=0.44）；因此研究人员采用两个变分层作为实际默认值而非最优值。在低噪声模拟器（去极化通道和振幅阻尼通道，噪声率0.001）下，准确率为96.49%，表明仅在适度均匀错误率下具有鲁棒性；实际硬件噪声更高。研究人员还应用贝叶斯惊讶作为认知信息量启发式方法（而非正式生成模型）来排序哪些发现最值得进一步研究。该框架提供了一个可复现、文档化的评估程序，可支持医疗领域混合量子-经典模型的累积比较。
**论文解读：混合量子-经典神经网络在医疗预测中的可复现评估框架**
**研究背景与问题**
在噪声中等规模量子（NISQ）时代，量子机器学习（QML）探索量子信息处理能否补充经典学习方法。参数化量子电路（PQC）作为浅层计算单元，其表达潜力已得到理论证明。在医疗领域，数据集通常样本量小、维度高且类别不平衡，参数高效的模型具有吸引力。然而，现有混合量子-经典神经网络（HQCNN）研究存在核心方法论缺陷：许多工作仅报告单次分割的点估计，缺乏与经典基线的公平比较，未进行显著性检验，且未能控制模型容量差异。这使得性能差异难以归因于量子组件本身，而非超参数调优或参数量差异。因此，亟需一个可复现、文档化的评估协议，以支持跨研究的累积比较。
**研究内容与意义**
为了解决上述问题，研究人员设计了一个基于单数据集（威斯康星诊断乳腺癌，WDBC）的概念验证评估框架，重点不在于提出新架构，而在于评估方法论的严谨性。研究比较了一个四量子比特HQCNN（共441个可训练参数）与多个调优经典基线（包括参数匹配的经典多层感知器，MLP），在相同的五折分层交叉验证下进行统计检验。主要结论包括：HQCNN达到96.49%准确率和99.71% ROC-AUC，与经典基线相比无统计显著优势；电路深度在{1,2,3}层范围内对性能无显著影响；在低噪声模拟下表现出一定鲁棒性。该工作的重要意义在于提供了一个共享折、参数匹配、显著性检验的评估协议，可作为医疗领域混合量子-经典模型公平比较的基准。论文发表在《Informatics》。
**关键技术方法**
研究人员使用的主要技术方法包括：1）五折分层交叉验证，固定随机种子（42）并共享折划分，确保配对比较有效；2）主成分分析（PCA）将30维特征压缩为4个主成分（解释79.24%方差），仅基于训练折拟合以防止数据泄漏；3）HQCNN架构由经典编码器（420参数）、两层PQC（RY角度编码、RY和RZ旋转、圆形CNOT纠缠，16参数）和经典读出层（5参数）组成，总计441参数；4）参数匹配的经典MLP（相同隐藏层结构，441参数）作为控制；5）训练使用Adam优化器（学习率0.01）、学习率衰减、二元交叉熵损失、早停（patience=12）；6）统计检验采用Wilcoxon符号秩检验（主检验）和配对t检验（辅助），多重比较经Holm–Bonferroni校正；7）深度消融：在5折交叉验证中评估1、2、3个变分层的性能，并进行配对检验；8）低噪声模拟：使用PennyLane密度矩阵后端，施加去极化通道（0.001）和振幅阻尼（0.001）后评估；9）贝叶斯惊讶作为后验认知信息量启发式，基于Beta先验/后验计算KL散度，排序各假设的证据强度。样本来源为WDBC数据集（569样本，30个实值特征，二分类恶性/良性）。
**研究结果**
**4.1 主要比较**
通过五折交叉验证，HQCNN在五折上的平均准确率为96.49%（95%置信区间[94.06,98.92]），ROC-AUC为99.71%（SD±0.35）。最佳折（第5折）准确率达99.12%，无假阴性。参数匹配的MLP（441参数）准确率为95.08%，两者差值1.41个百分点，但配对t检验（p=0.39）和Wilcoxon检验均不显著。所有HQCNN与经典基线的比较经Holm–Bonferroni校正后均不显著（调整后p>0.05）。Levene检验显示HQCNN与支持向量机（SVM）的折间方差无差异（F=0.00，p=0.99）。结论：HQCNN与调优经典基线竞争，但无统计显著优势。
**4.2 电路深度消融**
在五折交叉验证中，1、2、3个变分层的HQCNN准确率分别为96.31%（SD±0.84）、96.49%（SD±1.97）、96.32%（SD±1.63）。2层与3层的差异不显著（Wilcoxon p=0.44）。因此，在浅层范围内深度对性能无显著影响，研究人员采用2层作为实际默认值而非最优值。
**4.3 特征结构**
第一主成分（解释44.27%方差）主要加载于与尺寸和形状相关的特征（如平均凹点0.261、平均凹度0.258、最差凹点0.251），与临床认知一致。该结果由AutoDiscovery后验分析发现，为数据特性确认，非模型预测机制。
**4.4 认知信息量分析**
通过贝叶斯惊讶（KL散度）对五个架构假设进行排序，最高值为假设1（H1: 0.92 nats）和假设3（H3: 0.80 nats）。该排序为有序信息量指标，未用作预测。
**4.5 噪声模拟结果**
在低噪声模型（去极化0.001、振幅阻尼0.001）下，两层HQCNN在保留折上准确率为96.49%、ROC-AUC为99.71%、F1为97.10%，与无噪声结果几乎一致。表明仅在适度均匀错误率下具有鲁棒性，实际NISQ硬件噪声更高。
**讨论与结论**
讨论部分强调，中心结果为HQCNN与调优经典基线相比具有竞争力但无显著优越性，参数匹配下的微小优势不归因于量子组件。深度消融表明浅层深度非敏感超参数，不涉及荒芜高原（barren plateau）问题。贝叶斯惊讶分析仅为后验认知排序，与预测无关。研究结果与先前文献一致，混合模型在表格医疗基准上可与经典模型竞争但未展现一致性优势。局限性包括：单数据集（外部效度未验证）、仅模拟（未使用物理硬件）、未评估临床就绪性（需前瞻性外部验证和监管路径）、未进行可解释性评估（无归因分析）。未来工作优先方向包括多数据集外部验证、物理硬件评估和正式可解释性评价。
结论部分翻译：
我们提出了一个混合量子-经典分类器的可复现评估框架，并在WDBC数据集上作为单数据集概念验证进行了展示。HQCNN与调优经典基线相比具有竞争力，但所有比较经Holm–Bonferroni校正后均未达到统计显著性，且在参数匹配条件下其优势不显著。电路深度在{1,2,3}层范围内无检测效应，因此我们采用两个变分层作为实际默认值而非最优值。该框架提供了一个文档化、共享折的程序，可支持医疗领域混合量子-经典模型的累积、公平比较。
