⚛️ quantum physics

Analyzing Images of Blood Cells with Quantum Machine Learning Methods: Equilibrium Propagation and Variational Quantum Circuits to Detect Acute Myeloid Leukemia

这项可行性研究表明，量子机器学习方法，特别是平衡传播（Equilibrium Propagation）和变分量子电路（Variational Quantum Circuits），在检测血液细胞图像中的急性髓系白血病方面能够取得具有竞争力的性能，且与经典卷积神经网络（CNN）相比，其对数据量的需求显著降低，从而验证了在严重的硬件限制下，NISQ 时代算法用于医学诊断的潜力。

原作者： A. Bano, L. Liebovitch

发布于 2026-01-27

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： A. Bano, L. Liebovitch

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名医生，正试图通过观察显微镜下成千上万张微小的血细胞照片，来识别一种特定类型的白血病（一种血液癌症）。通常情况下，你会使用一个超级聪明的计算机程序（“经典”人工智能）来完成这项工作。但这篇文章提出了一个大问题：即使我们还没有完美的量子计算机，我们能否使用一种新型的计算机技术——“量子”技术来完成同样的工作？

以下是研究人员发现的过程，用简单的语言进行了解释：

问题所在：“反向传播”的障碍

要训练一个普通的 AI，我们会使用一种叫做“反向传播”（backpropagation）的方法。这就像是一个学生在参加考试，得到评分后，再回头检查每一个错误，以弄清楚到底该如何改进。

然而，量子计算机的工作原理非常不同。如果你尝试在量子计算机工作时去“检查错误”（测量数据），整个系统就会崩溃并停止工作。这就像是在魔术师表演魔术的过程中，试图去查看魔术的得分——魔术就会消失。因此，标准的 AI 训练方法无法在量子机器上运行。

解决方案：两种新方法

研究人员测试了两种绕过这个障碍的方法，用于检测急性髓系白血病（AML）：

“量子启发式”方法（平衡传播法/Equilibrium Propagation）：
- 类比： 想象一个拥挤的房间，人们正在努力寻找最舒服的站立姿势。这里不是由一个人发号施令，而是每个人都根据周围人的位置进行微调，直到整个房间达到一种平静、平衡的状态。
- 工作原理： 这种方法不会逐个“评判”错误。相反，它让系统进入一种自然的平衡状态（平衡态）来进行学习。这就像是一个物理系统寻找它的静止点。
- 结果： 它表现得非常好！达到了 86.4% 的准确率。这仅比最好的传统计算机程序低了约 12%，而且它是没有使用那种“被禁止的”反向传播方法完成的。
“纯量子”方法（变分量子电路/Variational Quantum Circuits）：
- 类比： 想象一个只有 4 人的微型管弦乐队（因为他们目前只有 4 个“量子比特”）。他们正在演奏一首曲子来识别血细胞。他们现在还不能把每个音符都演奏得完美无缺，但他们非常高效。
- 工作原理： 这使用了一个真实的量子电路（目前是在普通笔记本电脑上模拟的），将血细胞图像编码为量子态。一台经典计算机会协助调整这个“量子管弦乐队”的设置，直到它们奏出正确的音符。
- 结果： 它达到了 83% 的准确率。

大惊喜：“数据饥渴”测试

研究人员想看看这些计算机需要多少“食物”（数据）才能学会。他们喂给了它们不同数量的血细胞照片：50、100、200 或 250 张每种类型。

传统 AI (CNN)： 这就像一位美食大厨，需要一个巨大的储藏室才能烹饪出一顿完美的饭菜。它需要 250 张照片 才能达到巅峰性能（98% 的准确率）。如果只给它 50 张照片，它的表现就会下降。
量子方法： 它们更像是生存专家，可以用很少的食材做出美味的饭菜。
- 量子电路 即使只有 50 张照片，也能保持 83% 的准确率 稳定。它不需要更多的数据来保持一致性。
- 平衡传播法 在处理少量数据时也表现出色。

结论是： 虽然传统的 AI 目前仍是获得最高分的“冠军”，但量子方法是“效率之王”。它们可以用少 5 倍的数据学到几乎同样好的水平。这在医学领域意义重大，因为获取带有专家标注的罕见疾病照片通常既困难又昂贵。

核心要点

这篇论文证明了，即使考虑到目前量子技术的局限性（并且是在笔记本电脑上使用模拟器，而非真正的量子超级计算机），这些新方法仍然可以：

在不破坏物理规则的情况下工作（无需反向传播）。
在真实的医学图像上表现出竞争力。
能从小型数据集中有效地学习，这是处理罕见疾病的一个主要优势。

研究人员实际上是在说：“我们还没有制造出完美的量子计算机，但我们已经证明，量子学习背后的理念 已经准备好为医生提供帮助了，尤其是当我们手头没有大量数据可以使用的时候。”

技术摘要：利用量子机器学习方法分析血细胞图像

问题陈述
本文探讨了将量子机器学习（QML）应用于现实世界医学成像的可行性，具体针对急性髓系白血病（AML）的自动检测。虽然经典的深度卷积神经网络（CNN）在该领域已展现出极高的准确率，但它们依赖于反向传播算法，而该方法在本质上与量子系统不兼容。反向传播需要中间测量来计算梯度，而测量会导致量子态坍缩，从而破坏实现量子优势所需的叠加和纠缠特性。此外，经典方法通常需要大量的计算资源和大规模的标注数据集，这在医疗背景下成本高昂。本研究旨在评估 QML 算法是否能在受到严格约束（包括有限的量子比特资源、降低的图像分辨率以及缺乏反向传播）的情况下，实现具有竞争力的性能。

方法论
作者使用了 AML-细胞形态学数据集，该数据集包含 18,365 幅经专家标注的单细胞血涂片图像（100 名 AML 患者，100 名健康对照）。为了确保所有方法之间的公平比较并符合实际的量子约束，图像被缩放为 64×64 像素。

研究评估了两种不同的方法，并将其与经典基准模型（CNN 和全连接神经网络/Dense Neural Networks）进行对比：

变分量子电路 (VQC)：
- 架构： 一个通过使用 IBM 的 Qiskit 进行经典模拟实现的 4 量子比特分类器。
- 输入处理： 原始图像被转换为灰度图，并提取了 20 个工程化标量特征（涵盖强度统计、GLCM 纹理、形态学、边缘指标和 FFT 频率）。这些特征通过主成分分析（PCA）降至 4 维，并进行缩放以匹配旋转门定义域。
- 电路设计： 电路采用 ZZFeatureMap 进行数据编码以产生纠缠，并使用浅层 RealAmplitudes 拟设（2 层，8 个可训练参数，深度为 12），专门针对含噪声中等规模量子（NISQ）设备进行了优化。
- 训练： 使用了混合经典-量子循环。量子电路作为一个黑盒；一个经典优化器（COBYLA，无梯度法）迭代调整参数，以最小化第一个量子比特期望值 ( $\langle Z_0 \rangle$ ) 与目标标签之间的均方误差。这避免了对量子梯度计算的需求。
平衡传播 (Equilibrium Propagation, EP)：
- 概念： 一种在具有对称权重的类 Hopfield 神经网络上实现的量子启发式能量学习方法。
- 机制： EP 完全避开了反向传播。它通过两个阶段训练网络：在“自由阶段”，网络根据输入达到平衡状态；在“扰动阶段”，输出神经元被微弱地调整以趋向目标标签。权重更新由这两个平衡状态之间的差异推导而来。
- 架构： 一个分层网络（包含 256–128–64 个隐藏单元，使用 tanh 激活函数），使用带动量的 SGD 和早停法进行训练。

实验方案
为了评估数据效率，作者构建了包含每类 50、100、200 和 250 个样本 的平衡数据集子集。所有模型均在 80/20 的分层训练-测试划分下进行评估。VQC 和 EP 模型在相同的实验条件下与经典 CNN 和 Dense NN 基准模型进行了比较。

关键结果

全子集性能 (250 个样本/类)：
- 经典 CNN： 达到了 98.4% 的准确率（训练时间：745s）。
- 平衡传播 (EP)： 达到了 86.4% 的准确率（训练时间：89.4s），在未使用反向传播的情况下，与 CNN 的差距仅为 12%。
- 变分量子电路 (VQC)： 达到了 83.0% 的准确率（训练时间：180s）。
数据效率：
- VQC 展示了卓越的稳定性，即使在仅有 50 个样本/类 时仍能保持 83% 的准确率。
- 相比之下，经典 CNN 需要 250 个样本/类（5 倍于 VQC 的数据）才能达到其 98.4% 的峰值性能；在 50 个样本时，CNN 的准确率降至 92%。
- 这表明量子方法可能具有更高的数据效率，这对于专家标注稀缺的医疗领域是一个关键优势。

意义与主张
论文认为这些结果建立了 医疗领域 QML 的可重复基准，验证了这些方法在 NISQ 时期的可行性。主要主张包括：

无需反向传播的可行性： EP 的成功证明了基于能量的学习可以作为一种有效的、与量子兼容的替代方案，用于在真实临床数据上训练神经网络，从而取代反向传播。
数据效率作为量子优势： 虽然目前的经典 CNN 在绝对准确率上仍然领先，但 VQC 在极少训练数据（50 个样本）下仍能保持稳健性能的能力，突显了其在数据获取困难的罕见病研究中的潜在优势。
NISQ 兼容性： 深度为 12 的浅层电路设计是专门针对当前硬件约束（如具有约 100 个量子比特及有限相干时间的 IBM 量子系统）进行优化的，这表明近期的实验验证是可能的。
资源受限型部署： 作者指出，EP 凭借其低推理时间（0.13s）且无需反向传播的特性，特别适合在神经形态硬件上进行边缘部署，从而可能实现电池供电的即时诊疗（point-of-care diagnostics）。

作者保持了审慎的态度，承认目前的结果依赖于理想的状态矢量模拟（未考虑采样噪声或门误差），且特征工程的局限性限制了其表示能力，使其无法完全媲美端到端的 CNN。他们总结道，虽然经典方法在绝对准确率上目前仍占优势，但当数据可用性成为限制因素而非模型容量时，量子方法能提供极具竞争力的表现。

问题所在：“反向传播”的障碍

解决方案：两种新方法

大惊喜：“数据饥渴”测试

核心要点

技术摘要：利用量子机器学习方法分析血细胞图像

类似论文