arXiv cs.AI· Yasmin Rodrigues Sobrinho, Jo\~ao Renato Ribeiro Manesco, Jo\~ao Paulo Papa·· 12 小时前AI 评分18
量子与经典特征互补：面向乳腺癌分类的自适应混合量子-经典特征融合
On the Complementarity of Quantum and Classical Features: Adaptive Hybrid Quantum-Classical Feature Fusion for Breast Cancer Classification
AI 导读
研究提出双分支混合量子-经典架构用于乳腺癌诊断，融合经典模型与可训练或确定性量子电路的特征，并给出静态融合（SHF）、动态融合（DHF）和温度缩放融合（TSHF）三种策略。
正文 · AI 翻译
摘要：量子机器学习与经典深度学习的融合通过将数据映射到高维希尔伯特空间，为医学图像分析提供了有前景的途径。然而，由于优化不对称性，统一这两种范式仍然具有挑战性。我们提出了一种基于双分支特征提取流水线的混合量子-经典架构，用于乳腺癌诊断。我们的框架统一了来自经典模型以及可训练或确定性（不可训练）量子电路的互补表示。引入了三种融合策略：静态混合融合（SHF）用于离线提取，动态混合融合（DHF）用于端到端协同适应，以及温度缩放混合融合（TSHF）。受多模态学习启发，TSHF 使用可学习的标量来平衡分支梯度动态并解决优化瓶颈。我们评估了 BreastMNIST、INbreast 和 BUS-UCLM，涵盖超声和乳腺 X 线摄影，使用 ResNet-18 和浅层 CNN，每种配置进行五次独立运行。融合在所有三个基准上均优于最强的经典基线。在 BreastMNIST 上，使用 ResNet-18 和不可训练电路的 TSHF 达到 88.33% 的准确率、92.09% 的 F1 分数和 92.09% 的 AUC-ROC，而单独使用 ResNet-18 为 84.74% 的准确率和 87.08% 的 AUC-ROC。在 INbreast 上，相同配对的 SHF 表现最佳，准确率为 70.42%，F1 分数为 72.96%，AUC-ROC 为 80.28%。在 BUS-UCLM 上，使用可训练电路的 SHF 达到 78.46% 的准确率和 84.66% 的 F1 分数，比最佳独立分支高出超过七个准确率百分点。自适应融合并非普遍有益：静态融合在两个较小的数据集上表现最佳，这表明在有限数据下，协同适应和学习校准带来了额外的估计负担。临床适用性需要在本文所考虑的小型、低分辨率数据集和模拟量子电路之外进行验证。
| 评论： | 41 页，16 幅图。本手稿为正在《Artificial Intelligence in Medicine》审稿中的预印本 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2604.22903 [cs.CV] |
| （或 arXiv:2604.22903v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.22903 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：João Renato Ribeiro Manesco [查看电子邮件]
[v1]
2026 年 4 月 24 日星期五 14:54:53 UTC（5,183 KB）
[v2]
2026 年 10 月 20 日星期二 18:09:37 UTC（14,284 KB）
来源：arXiv cs.AI · arxiv.org