Hybrid quantum-classical attention for histopathology-based molecular profiling in data-limited cancers
本文提出了一种混合量子-经典策略，该策略在组织病理学 Transformer 中利用量子衍生的双随机矩阵取代了标准的 Softmax 注意力机制，在证明了对数据受限癌症及生物相关靶点预测的针对性改进的同时，也在 IBM 量子处理器上验证了其底层机制。
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
在对抗癌症的斗争中，医生通常依赖两种截然不同的信息来了解肿瘤。一种是通过显微镜观察组织，这是一个常规过程，病理学家通过检查活检的薄片来观察细胞是如何排列以及它们看起来是什么样子的。另一种则是通过阅读细胞内部的化学指令，即基因或分子图谱，这能揭示哪些基因处于活跃状态以及癌症可能如何表现。虽然显微镜观察是全球医院的标准做法，但基因读取需要昂贵的设备和大量的组织，这使得在处理小规模活检、罕见癌症或缺乏先进实验室的地区时变得十分困难。这种差距使得许多患者无法获得对自身疾病的完整了解。科学家们一直试图弥合这一鸿沟，通过教计算机观察常规的显微图像并预测隐藏其中的基因活动，希望仅从组织的视觉模式中提取出分子层面的洞察。
IBM 研究院的一个研究团队通过在分析这些医学图像的软件中引入一种来自新兴量子计算领域的工具，采取了一种应对这一挑战的新方法。他们开发了一个混合系统，将标准计算机处理与一种特定的量子计算相结合，旨在帮助软件关注图像中的正确部分。在研究中，他们在来自 29 种不同类型癌症的组织样本数字图像上测试了这个系统，涵盖了从常见的乳腺癌、肺癌到罕见且难以研究的品种。其目标是观察这种受量子启发的方法是否能帮助计算机在实际基因数据缺失或用于学习的患者样本极少的情况下，对肿瘤的基因组成做出更准确的推测。
研究人员发现，这个混合系统并非简单地让计算机提高对每一个基因的预测能力。相反，它更像是一个选择性过滤器，提高了某些特定基因的准确性，同时使其他基因的预测效果略有下降。这种权衡并非随机发生的；那些变得更容易预测的基因通常属于已知对该特定类型癌症至关重要的生物学群体。例如，在一种名为肾上腺皮质癌的罕见且侵袭性强的肾上腺癌中，该混合系统显著提高了对涉及细胞分裂和 DNA 修复相关基因的预测。至关重要的是，那些预测效果提升最明显的基因，也正是那些与患者预后较差相关的基因。这表明，即使在数据匮乏的环境下，这种新方法也能成功捕捉到疾病中最危险方面的视觉特征。
该研究还探讨了这种方法是否能在不同的患者群体之间奏效。当研究人员在一个大型胰腺癌数据集上训练系统，然后在一个完全独立的独立数据集上进行测试时，结果喜忧参半。该系统改善了与代谢和细胞谱系相关的特定一组基因的预测，但在许多其他基因方面却表现挣扎。这表明该技术并不是一个能完美适用于每种情况下的每个基因的通用解决方案，而更像是一个可以被调节以专注于特定生物路径的专业化工具。研究人员还在真实的量子处理器（即为这些计算设计的专用硬件）上测试了系统的量子部分。他们证实，系统所使用的核心数学运算可以在这些机器上成功执行，尽管完整的图像分析仍然是在标准计算机上完成的。
其中一个最重要的发现是，当初始数据非常少时，该混合系统的表现似乎最为出色。在患者群体较小的组别中（在这些组别中，传统的计算机模型往往难以学习），这种受量子启发的注意力机制提供了最显著的收益。对于收集大量样本几乎不可能实现的罕见癌症来说，这是一个充满希望的迹象。研究人员还发现，他们不需要在整个训练过程中都使用量子计算来获得收益。仅在学习过程的前几个步骤中使用它，就足以引导系统实现更好的性能，这使得该技术在未来更具实用性。
最终，这项工作为如何将先进计算应用于医学提供了一种新的思考方式。与其试图完全取代标准方法，不如采用这种混合方法来增强分析的特定部分。它表明，通过使用源自量子物理的结构来改变计算机决定关注图像哪些部分的方式，是有可能从常规组织切片中揭示隐藏的分子信号的。虽然这项技术仍处于早期阶段，且需要进一步测试才能在医院中使用，但它为那些患有罕见或数据受限癌症的患者提供了一条路径，让他们能够利用医疗记录中现有的图像，更全面地了解自己的疾病。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。