量子迁移学习以提升痴呆症检测效果-计算机科学-量子机器学习-量子迁移学习-生物医学图像分类.pdfVIP

量子迁移学习以提升痴呆症检测效果

SounakBhowmikTalitaPercianoHimanshuThapliyal

UniversityofTennessee,LawrenceBerkeleyNationalUniversityofTennessee,

KnoxvilleLaboratoryKnoxville

Tennessee,USACalifornia,USATennessee,USA

sbhowmi2@tperciano@hthapliyal@

摘要Keywords

痴呆症是一种毁灭性疾病，对个人、家庭和医疗系统痴呆症，量子机器学习，量子迁移学习，性能增强

有着深远的影响。早期准确地检测痴呆症对于及时干

ACMReferenceFormat:

本预和改善患者预后至关重要。尽管经典的机器学习和SounakBhowmik,TalitaPerciano,andHimanshuThapliyal.2025.

深度学习方法在预测痴呆症方面得到了广泛探索，但量子迁移学习以提升痴呆症检测效果.InGreatLakesSymposium

译这些解决方案往往难以应对高维度生物医学数据和onVLSI2025(GLSVLSI’25),June30-July2,2025,NewOrleans,LA,

中大规模数据集，迅速达到计算和性能的限制。为了解USA.ACM,NewYork,NY,USA,7pages./10.1145/

1决这一挑战，量子机器学习（QML）作为一个有前景3716368.3735290

v

5的方法应运而生，提供更快的训练速度和先进的模式

8识别能力。本研究旨在展示量子迁移学习（QTL）提

41介绍

2升应用于痴呆症检测二分类任务的弱经典深度学习

1.模型性能的潜力。此外，我们展示了噪声对基于QTL痴呆是一种神经退行性疾病，导致认知和社会能力下

7方法的影响，探讨了这种方法的可靠性和稳健性。使降，影响全世界大量人口。痴呆会影响患者的记忆、

0

5用OASIS2数据集，我们展示了如何利用量子技术将思考和感知，干扰他们的日常活动和社会生活。早期

2

:次优的经典模型转化为更有效的生物医学图像分类准确检测痴呆对于减缓疾病进展和改善患者生活质

v

i解决方案，突显其在推进医疗保健技术创新方面的潜量至关重要。传统诊断方法，包括临床试验、磁共振

x

r在影响。成像（MRI）和正电子发射断层扫描（PET），面临灵

a

敏度、特异性和人工错误等挑战。机器学习的近期进

展[8,13]已显示出令人鼓舞的结果，提高了检测准确

CCSConcepts性并识别生物医学数据中的复杂模式。然而，在处理

•Computingmethodologies→Machinelearning高维神经影像数据集时，传统机器学习方法存在计算

approaches;•Human-centeredcomputing→HCI限制[9]。

designandevaluationm