用于心电图心律失常检测的量子-经典混合算法：比较研究与应用

《BMC Medical Informatics and Decision Making》：Quantum-classical hybrid algorithms for ECG arrhythmia detection: a comparative study and application

　　

摘要

背景

心血管疾病（CVD）仍然是全球发病率和死亡率的主要原因之一，心律失常是其常见表现之一。传统诊断方法，如心电图（ECG），在检测不规则心律时高度依赖专家解读，这可能导致诊断不准确和延迟，尤其是在资源有限的地区。近年来，机器学习（ML）已成为提高医疗诊断准确性和效率的有力工具。尽管深度学习模型在各个领域都取得了显著成功，但其计算复杂度对实时应用构成了挑战。本研究探讨了多种量子-经典混合算法，以改进基于心电图的心律失常分类。

方法

本研究采用了三种量子-经典混合算法进行心律失常检测，包括基于估计器的量子神经网络（QNN）、基于采样器的QNN和量子支持向量分类器（QSVC），以提高自动心律失常分类的准确性。模型通过MIT-BIH心律失常数据库进行评估。

结果

实验结果表明，这三种量子模型在准确率、灵敏度和特异性等多项指标上均优于传统循环神经网络（RNN）及其变体。QSVC（k?=?16）模型表现最佳，准确率达到97.7%，F1分数为97.5%，受试者工作特征曲线下面积为99.4%。此外，我们使用StreamLit开发了一个交互式应用程序，用于实时心律失常风险预测和可视化反馈。

结论

总体而言，所提出的量子机器学习模型在心律失常检测方面展现出巨大的潜力，具有稳健且高度精确的性能，为未来临床部署和集成到可穿戴设备中奠定了坚实基础。