Quantum Machine Learning in Medical Imaging: A Primer for Radiologists

几十年来，放射学领域一直依赖于人类专业知识与人工智能之间的强大伙伴关系。计算机在扫描医学图像、识别 X 光片和扫描影像中人类肉眼可能忽略的模式，以及帮助医生做出更快决策方面，已经变得异常出色。然而，这种成功也带来了日益增长的代价。随着图像变得更加细腻，问题也变得更加复杂，解决这些问题所需的计算机需要巨大的功率和内存。在某些情况下，问题的难度之大，甚至连最先进的超级计算机也难以在合理的时间内找到答案。科学家们已开始转向一种不同的计算方式，这种方式不依赖于标准的零和一开关，而是利用微观原子世界中那些奇特且违反直觉的规则。这种被称为量子计算的新方法，有望比现有机器更快地处理某些类型的计算，为处理医学成像中最具挑战性的任务提供潜在的途径。

最近的一篇综述文章将这一新兴技术介绍给了放射科医生，解释了这些量子原理最终将如何重塑医学图像的分析。作者团队由医生和研究人员组成，他们将核心理念分解为五个易于理解的概念。首先，他们描述了信息的基本单位：它不是一个简单的开关，而是一个可以同时存在于多种状态下的微小粒子。这种能力使得系统能够同时探索多种可能性，而不是逐一进行检查。其次，他们解释了这些粒子如何被链接在一起，使得其中一个粒子的状态会瞬间影响其他粒子，从而创建一个能够表示数据中复杂关系的连接网络。第三，他们详细介绍了用于操纵这些粒子的工具，这些工具就像是可逆的齿轮，可以在不丢失信息的情况下转换信息。最后，他们描述了这些工具是如何排列成一个序列的，即一个将原始数据转化为最终答案的结构化路径。文章还概述了目前正在建造的物理机器，它们利用超冷电路、悬浮原子或光束来创造这些量子态，尽管目前所有这些机器都在一个嘈情且不完美的环境中运行，信息很容易丢失。

随后，论文转向了研究人员尝试将这些想法应用于医学的具体方式。文献中最常见的方法是混合系统，即由传统计算机处理繁重的准备工作，而一个小型的量子处理器接管特定的步骤，例如对肿瘤进行分类或寻找某种模式。作者总结了几种此类混合模型的类型。有些类似于高级过滤器，通过观察图像的小块区域来寻找独特特征。另一些则作为分类器，在不同类型的疾病之间划定界限，例如区分良性和恶性生长。该综述强调，这些方法已在多种医学任务中得到了测试，包括识别磁共振成像中的脑肿瘤、检测胸部 X 光片中的肺炎以及对皮肤病变进行分类。在文中提到的一个具体研究中，一个使用四个量子单元的紧凑型系统成功地以高准确率对数千份脑部扫描进行了“是或否”的简单分类，但在被要求将肿瘤分为许多不同类别时表现得较为吃力。

尽管取得了这些令人期待的早期成果，作者仍谨慎地强调，这项技术尚未准备好进入医院。综述中讨论的几乎每一项研究都是在计算机模拟器上，或是在真实医学图像的极小缩减版本上进行的。现有的硬件受到噪声和缺乏纠错能力的限制，这意味着在模拟中看到的 결과 在实际机器上运行时往往会显著下降。研究人员指出，虽然速度和效率的潜力是真实的，但目前的系统过于脆弱且规模过小，无法处理日常临床实践中所使用的全分辨率图像。论文明确排除了量子计算机在短期内取代当前人工智能工具的可能性；相反，它们被视为实验性工具，或许有一天能解决经典计算机无法处理的特定难题。作者总结道，要让这项技术从实验室走向临床，需要放射科医生、物理学家和计算机科学家之间的紧密合作，以确保未来的进展是基于真实的诊断需求，而非仅仅是理论上的可能性。