基于声学与临床特征用于帕金森病预测的量子-经典混合学习框架

《Scientific Reports》：Quantum-classical hybrid learning framework for Parkinson’s disease prediction using acoustic and clinical features

　　

摘要

帕金森病是一种进行性神经退行性疾病，全球有数百万人受其困扰。早期且准确的诊断对于改善患者预后具有重要意义。虽然传统的机器学习方法在利用临床数据和声音数据对帕金森病进行分类时表现优异，但它们在处理高维空间中的复杂非线性特征交互方面存在局限。本研究探讨了量子机器学习技术在帕金森病预测中的应用，重点研究了变分量子分类器与量子支持向量机，并将它们的性能与逻辑回归、支持向量机、随机森林、经过网格搜索优化的模型以及XGBoost等强大的传统基准模型进行了比较。实验采用分层训练-测试划分方式，并通过交叉验证和统计检验来验证结果。实验表明，传统模型也具有不错的性能，其中XGBoost的准确率达到了91.9%。不过，量子模型则展现出稍好的性能，其中使用EfficientSU2的变分量子分类器准确率最高，为93.1%，其次是实幅值变分量子分类器（92.6%）和量子支持向量机（92.2%）。在F1分数和召回率等评估指标上，这些优势都得以体现。通过10折交叉验证的统计分析显示，EfficientSU2版本的变分量子分类器相比传统基准模型有显著优势（p=0.031），而其他量子模型相比XGBoost则没有达到统计学上的显著差异（p>0.05）。在对独立测试集进行的麦克纳马测试中，也未发现量子模型与传统模型在最终预测结果分布上存在显著差异。总体而言，研究结果表明量子机器学习模型与最先进的传统方法具有竞争力，能够带来细微但稳定的性能提升。这项研究展现了量子增强型学习框架在生物医学分类任务中的潜力，同时也指出，在当前基于模拟的实现方式下，它们的优势仍属于渐进式而非决定性的。