《Frontiers in Artificial Intelligence》：Rheumatoid arthritis classification using hybrid pretrained quantum convolutional neural network
编辑推荐：
类风湿关节炎（Rheumatoid Arthritis, RA）是一种慢性自身免疫性疾病，早期诊断对于防止不可逆的关节损伤至关重要。量子计算的最新进展已展现出在复杂、高维生物医学数据建模中的潜在优势。本研究的主要目标是提出一种混合预训练量子卷积神经网络（Hyb
类风湿关节炎（Rheumatoid Arthritis, RA）是一种慢性自身免疫性疾病，早期诊断对于防止不可逆的关节损伤至关重要。量子计算的最新进展已展现出在复杂、高维生物医学数据建模中的潜在优势。本研究的主要目标是提出一种混合预训练量子卷积神经网络（Hybrid Pretrained Quantum Convolutional Neural Network, HP-QCNN），用于从手部X射线图像中自动进行RA分类。所提出的框架将预训练卷积神经网络与变分量子层（variational quantum layer）集成，以增强特征表示和分类性能。该混合架构采用基于变分量子电路（variational quantum circuits）的4量子比特量子层，利用量子叠加（quantum superposition）和纠缠（entanglement）实现参数高效的特征变换。该量子层嵌入在预训练特征提取器与经典分类头之间。研究人员在混合量子优化激活函数中探索了多种预训练骨干网络。基于VGG16的HP-QCNN取得了最高的分类准确率，优于DenseNet121、MobileNetV2、EfficientNetB3和InceptionV3。该模型通过实现92.41%的准确率、最高的ROC-AUC（受试者工作特征曲线下面积）以及超过95%的特异性，凸显了量子计算的效率，分别比经典VGG16基线高出7.3%、3%和10%。分层（stratification）确保了类别分布，而加权类别（weighted classes）减少了残留的类别不平衡。最佳的马修斯相关系数（Matthews Correlation Coefficient, MCC）和科恩卡帕系数（Cohen’s kappa）均高于基线（0.7），表明在类别不平衡条件下具有较强的类分离能力和可靠性。这些结果证实了量子增强深度学习在医学图像分析中的有效性。
**研究背景与问题**
类风湿关节炎（Rheumatoid Arthritis, RA）是一种慢性自身免疫性疾病，影响全球约1800万人，预计到2050年将增至3170万。早期诊断对防止不可逆关节损伤至关重要，但传统X射线判读存在观察者间变异（κ=0.4–0.7），难以捕捉细微变化。深度学习模型（如卷积神经网络（CNN））在医学图像分析中展现了潜力，但经典卷积在捕捉高维、非线性的放射学模式时存在计算局限。量子机器学习（QML）通过变分量子电路（variational quantum circuits）在高维希尔伯特空间中进行特征变换，能够以更少参数实现更强的表示能力。然而，现有量子方法主要应用于热成像或脑肿瘤，尚未将变分量子层集成到预训练CNN中用于RA手部X射线分类。为此，研究人员提出了一种混合预训练量子卷积神经网络（HP-QCNN），旨在利用量子增强深度学习提升RA分类性能，填补该领域空白。该研究发表在《Frontiers in Artificial Intelligence》。
**关键技术方法**
本研究采用的数据集为Wang等人（2022）公开的3818张手部X射线图像，按改良总Sharp评分（mTSS）标注，分为健康（mTSS<5）和受影响（mTSS≥5，合并中度与重度）两类，采用分层抽样划分训练集（2672张）、验证集（382张）和测试集（764张）。主要技术方法包括：基于预训练VGG16骨干网络的全局平均池化（GAP）提取512维特征；线性投影至4维向量；特征缩放至[0,π]区间后，通过RX角度编码（RX-based angle embedding）嵌入4量子比特变分量子电路；电路采用StronglyEntanglingLayers模板（L=2层），包含参数化单量子比特旋转（RX, RY, RZ）和循环CNOT纠缠，测量Pauli-Z期望值获得4维量子特征向量；最后由含256和128个神经元的全连接层（ReLU激活、批归一化、dropout）及Softmax输出分类结果。超参数优化使用Keras Tuner，探索多种激活函数（ReLU、LeakyReLU、Mish、Swish、Tanh、Adaptive Mish）和优化器（Adam、RMSprop、SGD）。
**研究结果**
**5.1 评估指标**
通过标准指标（准确率、精确率、召回率、F1分数、特异性、平衡准确率、MCC、Cohen’s kappa、ROC-AUC、PR-AUC、Brier分数、诊断优势比）评估，HP-QCNN在测试集上达到92.41%准确率、92.4%精确率与召回率、96.63%特异性、85.19%平衡准确率、0.9591 ROC-AUC、0.8718 PR-AUC、0.7382 MCC、0.7362 Cohen’s kappa及0.0633 Brier分数，表明模型在类别不平衡下具有良好的判别能力和校准性。
**5.2 比较分析**
与DenseNet121、MobileNetV2、ResNet50、InceptionV3等骨干网络及不同优化器、激活函数组合对比，VGG16搭配ReLU和RMSprop（学习率0.01）的HP-QCNN取得最高测试准确率（92.41%）。与近期文献（VGG8、VGG16迁移、RANet、RA-XTNET、YOLOv4+VGG16）相比，HP-QCNN在准确率、特异性、ROC-AUC、平衡准确率、MCC和Cohen’s kappa上均全面超越，并有效处理了数据不平衡。
**5.3 消融研究**
将HP-QCNN与经典VGG16基线对比，HP-QCNN准确率提升6.2%（从86.13%至92.41%），ROC-AUC从0.9266升至0.9591，PR-AUC从0.7739升至0.8718，特异性从86.68%升至96.63%，诊断优势比从33.38升至80.58。10折交叉验证确认MCC和Cohen’s kappa均超过0.73。训练曲线显示轻微过拟合，但通过早停、类别加权、dropout和验证调度得到缓解。
**5.4 计算效率**
HP-QCNN对单张手部X射线的平均推理时间为120.55 ms，吞吐量约8.30张/秒，适用于近实时临床筛查。
**讨论与结论**
讨论部分指出，HP-QCNN通过4量子比特变分量子电路实现了量子增强，在RA手部X射线分类中显著优于经典基线，且参数效率极高（量子层仅24个参数，而经典全连接层需2052个参数）。决策曲线分析证实模型在多种临床阈值下均具有净收益，引导置信区间显示HP-QCNN在ROC-AUC、PR-AUC和MCC上显著优于VGG16（p<0.01）。研究结论部分翻译如下：
HP-QCNN代表了一种混合架构，利用4量子比特变分电路、角度编码和强纠缠层进行RA手部X射线分类。它实现了92.41%的准确率、95.91%的ROC-AUC、96.63%的特异性和85.19%的平衡准确率，仅使用标准X射线即优于现有模型（如VGG8、VGG16迁移、RANet、RA-XTNET和YOLOv4+VGG16）。在MCC和Cohen’s kappa等一致性指标上，该模型超过73%，而其他模型依赖标准指标且忽略了ROC-AUC、MCC、Cohen’s kappa和平衡准确率。参数数量减少与增强的特征表示提高了RA分类的泛化能力。模型在模拟量子环境中表现良好，未来需部署到真实量子硬件上。当前工作将中度和重度合并为单类进行二分类，未来将探索多级分类以捕捉RA早期迹象，并与风湿病学家和放射科医生合作进行联合标注和严重程度分级，在多中心数据集上验证临床泛化性，并引入可解释量子机制以增强可解释性。
