Омезиши Мутобиқшавандаи Гибридии Хусусиятҳои Квантӣ-Классикӣ чорчӯбаи гибридии омӯзиши мошинӣ мебошад, ки ҳамон як тасвири синаро бо шабакаи нейронии классикии параллел ва шохаи квантии чоркубитии quanvolutional коркард намуда, намояндагиҳои гуногуни хусусиятҳои тавлидкардаи ду шохаро дар фазои умумии тасниф муттаҳид мекунад. Таҳқиқот се стратегияи омезишро муқоиса мекунад: Static Hybrid Fusion (SHF), ки дар он хусусиятҳо пешакӣ истихроҷ шуда, танҳо таснифгар омӯзонида мешавад; Dynamic Hybrid Fusion (DHF), ки дар он ду шоха аз оғоз то анҷом якҷоя омӯзонида мешаванд; ва Temperature-Scaled Hybrid Fusion (TSHF), ки саҳми хусусиятҳои квантиро бо як коэффисиенти ягонаи омӯзишшавандаи \(\gamma\) миқёс мекунад. Ҳар се стратегия бо ду backbone-и классикӣ — ResNet-18 ва shallow CNN, ду шохаи квантӣ — trainable ва deterministic/non-trainable, ва дар маҷмӯаҳои додаҳои BreastMNIST, INbreast ва BUS-UCLM бо панҷ иҷроиши мустақил санҷида шудаанд.
Дар BreastMNIST дақиқии баландтарин дар моделе ба даст омадааст, ки ResNet-18-ро бо схемаи квантии non-trainable дар доираи TSHF муттаҳид мекунад: дақиқӣ \(88.33\%\pm2.00\), F1-score \(92.09\%\pm1.25\) ва AUC-ROC \(92.09\%\pm0.44\) мебошад. Дар ҳамон маҷмӯаи додаҳо дақиқии танҳо ResNet-18 \(84.74\%\pm2.99\), арзиши AUC бошад \(87.08\%\pm3.07\) аст. Аммо TSHF дар ҳама шароит беҳтарин нест: дар INbreast натиҷаи беҳтарин бо SHF + ResNet-18 + схемаи квантии non-trainable — \(70.42\%\pm3.73\) дақиқӣ ва дар BUS-UCLM бо SHF + ResNet-18 + схемаи trainable — \(78.46\%\pm8.85\) дақиқӣ ба даст омадааст. Аз ин рӯ таҳқиқот хулосаи «омезиши мутобиқшавандатар ҳамеша беҳтар аст»-ро дастгирӣ намекунад.
Шохаи квантӣ тасвирро бевосита ба quantum register-и калон бор намекунад. Тасвири хокистарии 28×28 ба patch-ҳои non-overlapping 2×2 тақсим мешавад; дар натиҷа барои ҳар тасвир 196 patch ҳосил мешавад. Ҳар patch-и чорпикселӣ бо кодгузории кунҷӣ ба чор кубит ҷойгир карда мешавад, бо схемаи квантии камчуқур коркард мегардад ва дар ҳар кубит арзиши интизории Pauli-\(Z\) чен мешавад. Чор ченкунӣ дар patch-grid чор канали хусусият ба вуҷуд меорад. Ин сохтор дар манбаъ quanvolutional layer номида мешавад.
Яке аз натиҷаҳои ҷолиби таҳқиқот он аст, ки схемаи квантии trainable танҳо чор параметри квантии омӯзишшавандаро истифода мебарад, дар ҳоле ки схемаи deterministic умуман параметри квантии омӯзишшаванда надорад. Дар муқобил, backbone-и истифодашудаи ResNet-18 тақрибан 11,17 миллион параметр дорад. Аммо ин самаранокии параметрӣ маънои суръатбахшии ҳисобро надорад: азбаски схемаҳои квантӣ дар PennyLane lightning.qubit state-vector simulator дар CPU иҷро мешаванд, омӯзиши гибридӣ нисбат ба classical SCNN baseline садҳо то ҳазорҳо маротиба сусттар аст.
Натиҷаҳои квантӣ дар сахтафзори воқеии физикии квантӣ ба даст наомадаанд. Симулятсия дар analytic mode ва бидуни истифодаи shot анҷом шудааст; shot noise, decoherence ва gate error моделсозӣ нашудаанд. Таҳқиқот инчунин аз маҷмӯаҳои хурди кушодаи додаҳо бо ҳалли 28×28 истифода мекунад ва дар когорти мустақили клиникӣ external validation, calibration analysis ё reader study надорад. Аз ин рӯ, натиҷаҳо далели самаранокии дастгоҳи ташхисии клиникӣ ё quantum computational advantage нестанд, балки арзёбии методологӣ ва ҷустуҷӯии омезиши гибридии хусусиятҳо мебошанд.
Саволи асосии таҳқиқот
Шабакаҳои классикии convolutional neural network дар омӯхтани хусусиятҳои иерархӣ ва аз ҷиҳати фазоӣ устувор аз тасвирҳо қавӣ мебошанд. Схемаҳои квантӣ бошанд, метавонанд дар ҳамон вуруд feature map-и математикии дигар тавлид кунанд. Ин таҳқиқот меомӯзад, ки оё ду навъи намояндагӣ ба ҷойи нусхаи якдигар будан якдигарро пурра мекунанд ва оё ин пурракунандагӣ метавонад дар таснифи тасвирҳои сина афзоиши қобили истифодаи натиҷагириро таъмин кунад.
Фарзияи муаллифон ин аст, ки шохаҳои классикӣ ва квантӣ ҳамон тасвирҳоро ба тарзҳои гуногун ташкил мекунанд ва муттаҳид кардани ду намояндагӣ дар як feature space метавонад нисбат ба як шоха контексти бойтаре ба вуҷуд орад. Бо вуҷуди ин, танҳо concatenate кардани ду feature vector кофӣ набошад; вақте андозаҳо, дисперсияҳо ва динамикаҳои gradient-и шохаҳои классикӣ ва квантӣ фарқ мекунанд, шохаи классикӣ метавонад ҳангоми омӯзиш саҳми шохаи квантиро пахш кунад.
Қабати Quanvolutional Чист?
Қабати quanvolutional қабати гибридии feature-extraction аст, ки равзанаҳои маҳаллии тасвирро дар амали classical convolution дар схемаҳои хурди квантӣ коркард карда, барои ҳар patch аз арзишҳои интизории квантӣ каналҳои нави хусусият тавлид мекунад; дар ин таҳқиқот ҳар patch-и 2×2-и тасвир бо кодгузории кунҷӣ ба чор кубит бор карда шуда, дар схемаи камчуқури чоркубитӣ коркард ва чор арзиши интизории Pauli-\(Z\) ба хусусияти баромад табдил дода мешавад.
Табдил додани patch-и вуруд ба quantum register
Барои тасвири якканалӣ, вақте андозаи patch \(k\times k\) ва шумораи каналҳо \(c=1\) аст, шумораи кубитҳои лозим:
Дар ҳамаи таҷрибаҳои таҳқиқот:
Яъне чор пиксел дар ҳар patch-и 2×2 rotation angle-и чор кубити ҷудогонаро муайян мекунанд.
Вақте тасвири 28×28 бо patch size 2 ва stride 2 коркард мешавад, дар ҳар меҳвар 14 patch пайдо мешавад:
patch/тасвир ба даст меояд. Аз ин рӯ коркарди ҳар тасвир аз ҷониби шохаи квантӣ 196 quantum-circuit evaluation-и хурди ҷудогонаро талаб мекунад.
Кодгузории кунҷӣ барои quanvolution-и trainable
Тенгламаи (3)-и манбаъ:
Формула чиро ҳисоб мекунад? Воҳиди воридшавандаро муайян мекунад, ки ҳар арзиши нормализатсияшудаи пикселро дар patch ба кунҷи гардиши кубити ҷудогона дар атрофи меҳвари \(Y\) мегузорад.
\(x_i\): арзиши пиксели \(i\)-ум дар patch мебошад.
\(R_Y(x_i)\): gate-и гардиш дар кубити \(i\)-ум дар атрофи меҳвари \(Y\) мебошад.
\(\bigotimes\): аломати tensor/Kronecker product мебошад, ки нишон медиҳад чор амали яккубитӣ якҷоя дар register-и чоркубитӣ татбиқ мешаванд.
Азбаски ҳолати ибтидоӣ:
аст, ҳолати кодгузоришуда:
ба вуҷуд меояд.
Variational ansatz чӣ кор мекунад?
Пас аз кодгузории кунҷӣ, дар манбаъ гардишҳои параметрии \(R_X\), \(R_Y\), \(R_Z\) ва gate-и чирмкунандаи CNOT-ро дар бар мегирад, variational ansatz-и камчуқури \(U(\theta_Q)\) татбиқ мешавад:
\(\theta_Q\) вектори параметрҳои омӯзишшавандаи схемаи квантӣ мебошад. Схемаи trainable дар ин таҳқиқот танҳо як circuit layer ва чор trainable quantum parameter истифода мебарад.
Арзиши интизории Pauli-Z чӣ гуна ба хусусият табдил меёбад?
Хусусияти баромади \(i\)-уми схемаи trainable:
Формула чиро ҳисоб мекунад? Пас аз иҷро шудани схемаи квантӣ дар кубити \(i\)-ум арзиши интизории observabl-и Pauli-\(Z\)-ро ҳисоб мекунад.
\(\sigma_z^{(i)}\) операторест, ки танҳо ба кубити \(i\)-ум Pauli-\(Z\) татбиқ мекунад ва дар кубитҳои дигар identity мебошад.
Арзиши интизорӣ дар
фосила аст. Таҳқиқот ин арзишро аз амали ReLU мегузаронад ва баромади ҳар кубитро ҳамчун feature channel-и ҷудогона истифода мекунад.
Схемаи квантии deterministic/non-trainable чӣ маъно дорад?
Дар варианти non-trainable, quantum rotation parameter-ҳо дар ибтидо аз тақсимоти
як маротиба интихоб мешаванд ва ҳангоми омӯзиш тағйир дода намешаванд. Вуруд боз бо angle encoding ба схема интиқол меёбад, аммо параметрҳои худи схемаи квантӣ собит мемонанд.
Баромад:
ҳисоб карда мешавад.
Азбаски параметрҳои схема оптимизатсия намешаванд:
Ин gradient-и сифр маънои «модел ҳеҷ чиз намеомӯзад»-ро надорад. Quantum feature map собит аст; аммо параметрҳои классикии projection head, fusion layer ва classifier, ки ин feature-ҳоро истифода мекунанд, метавонанд омӯзонида шаванд. Бартарӣ дар он аст, ки quantum parameter optimization ва хавфи barren-plateau пурра аз байн мераванд.
Андозаи quantum feature map
Азбаски ҳар patch чор баромад тавлид мекунад ва patch grid 14×14 аст, quantum feature map:
андоза дорад. Мувофиқи Table IV, ин сохтор баъдан тавассути амалҳои bilinear resize, ReLU ва flatten ба feature vector-и 784-андоза табдил дода мешавад. Quantum projection head:
табдили хаттиро татбиқ мекунад.
Шохаи классикӣ низ вобаста ба навъи backbone feature vector-и penultimate-и 128 ё 512-андоза тавлид мекунад ва бо projection head-и алоҳида ба 128 андоза харита мешавад. Ҳамин тавр, ҳар ду шоха пеш аз fusion ба як feature dimension оварда мешаванд.
Фарқи Байни SHF, DHF ва TSHF Чист?
SHF хусусиятҳои квантӣ ва классикиро пешакӣ истихроҷ ва frozen мекунад ва танҳо fusion/classification head-ро меомӯзонад; DHF параметрҳои ҳар ду шохаро ҳамроҳ бо хатои таснифот end-to-end оптимизатсия мекунад; TSHF бошад, илова бар омӯзиши муштараки DHF, quantum feature vector-и нормализатсияшударо бо як коэффисиенти омӯзишшавандаи \(\gamma\) миқёс мекунад, то номувозинии feature-magnitude ва gradient байни ду шохаро танзим намояд.
Static Hybrid Fusion — SHF
Quantum feature extractor:
ва classical feature extractor:
намояндагиҳоро тавлид мекунанд. Ҳар ду branch тавассути projection head-и ҷудогона ба андозаи якхелаи \(d=128\) оварда шуда, \(\ell_2\)-normalize мешаванд.
Намояндагии якҷоя:
\(\oplus\): оператори concatenation мебошад.
Азбаски ду vector-и 128-андоза муттаҳид мешаванд:
Дар SHF feature extractors дар марҳилаи fusion frozen мебошанд. Gradient ба quantum ё classical backbone барнамегардад; танҳо classifier/fusion head омӯзонида мешавад.
Dynamic Hybrid Fusion — DHF
DHF ҳамон сохтори concatenation-ро истифода мебарад, аммо ба ҷойи frozen feature extraction як forward/backward pipeline-и ягона месозад. Gradient, ки аз cross-entropy loss меояд, аз classifier ба ду шоха тақсим мешавад:
- ба параметрҳои \(\phi\)-и branch-и классикӣ,
- агар trainable quantum branch истифода шавад, ба параметрҳои \(\theta_Q\).
Ин co-adaptation чандирии бештар медиҳад; аммо optimization asymmetry, ки дар манбаъ ҳамчун масъалаи асосӣ муайян шудааст, маҳз дар ҳамин ҷо пайдо мешавад. Сохтори gradient-и шабакаи классикии хеле калонтар ва беҳтар condition-шуда метавонад саҳми шохаи квантиро пахш кунад.
Temperature-Scaled Hybrid Fusion — TSHF
TSHF ба DHF як scalar-и омӯзишшаванда илова мекунад:
\(\gamma\) як параметри ягонаи trainable ва бебуъд аст ва дар оғоз:
муқаррар карда мешавад. Дар ибтидо ин бо concatenation-и стандартӣ як маъно дорад.
Таъсири gradient дар Тенгламаи (7)-и манбаъ:
ба ин шакл нишон дода мешавад.
Формула чиро ҳисоб мекунад? Нишон медиҳад, ки loss gradient-и ба quantum embedding баргашта бо \(\gamma\) миқёс мешавад.
\(\mathcal L\): талафоти таснифот аст.
\(h_Q\): quantum feature vector мебошад.
\(\gamma>1\): агар ҳамаи омилҳои дигар баробар бошанд, миқёси нисбии quantum embedding-ро ҳам дар forward pass ва ҳам дар backward gradient зиёд мекунад.
\(0<\gamma<1\): миқёси нисбиро кам мекунад.
Дар татбиқи манбаъ \(\gamma\) барои нигоҳ доштани мусбатӣ дар қабати татбиқ тавассути \(\exp(\log\gamma)\) ифода мешавад.
Чаро normalization-и \(\ell_2\) марказӣ аст?
Механизми TSHF-ро танҳо аз тариқи \(\gamma\) хондан нопурра мебуд. Таҳлили муфассали branch-norm дар беҳтарин конфигуратсияи BreastMNIST-и манбаъ нишон медиҳад, ки дар марҳилаи projection output нормаи quantum branch ба таври системавӣ аз classical branch хурдтар аст:
Дар байни намунаҳои санҷишӣ нормаи классикӣ тақрибан 52 маротиба тағйир меёбад, дар ҳоле ки нормаи quantum тақрибан 8,6 маротиба тағйир мекунад. Пеш аз normalization таносуби branch тақрибан дар фосилаи 0,01–1,4 тағйир меёбад.
Дар ин шароит ҳиссаи медиании шохаи квантӣ дар энергияи fused-vector танҳо:
гузориш шудааст.
Branch-wise \(\ell_2\) normalization нормаи ду feature vector-ро ба арзиши воҳид баробар мекунад. Баъдан \(\gamma\) ягона relative scale parameter-и боқимонда мегардад.
Барои ду branch-и normalization-шуда, ҳиссаи quantum-energy дар тавзеҳи Шакли 12-и манбаъ:
Масалан, дар run-и намояндагӣ:
ҳиссаи quantum тақрибан:
дода шудааст. Дар миёнаи панҷ run
бошад, ба тақрибан %51,2 ҳиссаи quantum мувофиқат мекунад.
Ин таҳлил нишон медиҳад, ки қисми асосии ислоҳро \(\ell_2\) normalization анҷом медиҳад; \(\gamma\) бошад branch balance-и пас аз normalization бо як degree of freedom танзим мекунад.
Barren plateau чист ва чаро дар ин ҷо муҳим аст?
“Barren plateau”, ки дар тарҳи trainable quantum branch-и таҳқиқот истифода мешавад, масъалаи training-landscape аст, ки дар он бо васеъ ё амиқ шудани схемаи квантӣ loss gradient-ҳо метавонанд хеле хурд шуда, оптимизатсияро душвор кунанд. Аз ин рӯ, муаллифон схемаро қасдан хурд нигоҳ медоранд: чор кубит, як variational layer ва танҳо чор quantum parameter. Ин тарҳ optimization risk-ро кам мекунад, аммо ҳамзамон representational capacity-и схемаи trainable-ро маҳдуд месозад.
Чаро deterministic quantum feature map ба таври ғайричашмдошт рақобатпазир аст?
Схемаи deterministic ҳангоми training ба quantum gradient ниёз надорад, бо barren plateau рӯ ба рӯ намешавад ва quantum features метавонанд барои маҷмӯи дода як бор пешакӣ ҳисоб ва cache шаванд. Он ки дар таҳқиқот беҳтарин конфигуратсияҳои BreastMNIST ва INbreast аз non-trainable quantum branch истифода мекунанд, фарзияи “схемаи квантии омӯзишшаванда ҳамеша қавитар аст”-ро дастгирӣ намекунад.
Аммо манбаъ ин натиҷаро ба ҳукми умумӣ дар бораи variational quantum circuit-ҳо табдил намедиҳад. Ansatz-и trainable-и истифодашуда танҳо чор параметр ва як қабат дорад. Trainable quantum circuits-и васеътар ё амиқтар метавонанд натиҷаҳои дигар диҳанд; ин мавзӯъ барои таҳқиқоти оянда гузошта шудааст.
Усул ва Натиҷаҳои Таҳқиқот
Се маҷмӯи додаи истифодашуда
| Маҷмӯи дода | Қисм | Benign | Malignant | Ҳамагӣ | Ҳиссаи malignant |
|---|---|---|---|---|---|
| BreastMNIST | Омӯзиш | 399 | 147 | 546 | %26,9 |
| BreastMNIST | Валидатсия | 57 | 21 | 78 | %26,9 |
| BreastMNIST | Санҷиш | 114 | 42 | 156 | %26,9 |
| BreastMNIST | Ҳамагӣ | 570 | 210 | 780 | %26,9 |
| INbreast | Омӯзиш | 160 | 150 | 310 | %48,4 |
| INbreast | Валидатсия | 38 | 37 | 75 | %49,3 |
| INbreast | Санҷиш | 50 | 46 | 96 | %47,9 |
| INbreast | Ҳамагӣ | 248 | 233 | 481 | %48,4 |
| BUS-UCLM | Омӯзиш | 135 | 64 | 199 | %32,2 |
| BUS-UCLM | Валидатсия | 32 | 7 | 39 | %17,9 |
| BUS-UCLM | Санҷиш | 7 | 19 | 26 | %73,1 |
| BUS-UCLM | Ҳамагӣ | 174 | 90 | 264 | %34,1 |
BreastMNIST
BreastMNIST тасвирҳои native 28×28 grayscale-и ултрасадоӣ мебошанд, ки аз ҷониби MedMNIST пешниҳод шудаанд. Манбаъ split-и расмии train/validation/test-ро бетағйир истифода мебарад.
Дар тафсири метрикаҳои ин маҷмӯи дода як конвенсияи label вуҷуд дорад, ки ба он махсусан бояд диққат дод: синфи мусбат категорияи benign/normal мебошад. Аз ин рӯ, precision, recall ва F1-и BreastMNIST нисбат ба синфи benign ҳисоб шудаанд.
INbreast
INbreast маҷмӯи додаи mammogram-и рақамӣ мебошад. Манбаъ бо истифода аз expert annotation-ҳо suspicious tumor region-ҳоро crop мекунад. Агар дар як тасвир зиёда аз як region of interest бошад, ҳар минтақа метавонад ҳамчун sample-и алоҳида баррасӣ шавад.
Минтақаҳои cropped:
- бо Contrast Limited Adaptive Histogram Equalization (CLAHE) беҳтар карда мешаванд,
- бо min–max normalization барои ҳар тасвир ба фосилаи \([0,1]\) оварда мешаванд,
- ба андозаи 28×28 аз нав миқёс карда мешаванд.
Дар INbreast синфи мусбат категорияи malignant мебошад.
BUS-UCLM
BUS-UCLM тасвирҳои annotated breast-ultrasound мебошанд. Манбаъ ба тасвирҳо crop ё CLAHE татбиқ намекунад; танҳо normalization ва 28×28 resize-ро истифода мебарад.
Дар BUS-UCLM низ синфи мусбат категорияи malignant мебошад.
Split-ҳои INbreast ва BUS-UCLM дар patient level сохта мешаванд: намунаҳои аз як бемор омада ба якчанд split тақсим намешаванд. Ҳамин тавр patient leakage пешгирӣ мешавад.
Чаро тақсимоти синфҳо дар BUS-UCLM махсусан мушкил аст?
Дар ҳоле ки ҳиссаи malignant дар маҷмӯи омӯзиш %32,2 аст, дар validation %17,9 ва дар test %73,1 мебошад. Манбаъ ошкоро қайд мекунад, ки patient-level partition дар шумораи ками беморон ин prevalence shift-и калонро ба вуҷуд овардааст ва аз ин рӯ натиҷаҳои BUS-UCLM бояд танҳо ҳамчун indicative арзёбӣ шаванд.
Азбаски дар маҷмӯи test танҳо 26 тасвир мавҷуд аст, як таснифоти нодуруст:
тағйироти accuracy point ба вуҷуд меорад.
Normalization-и вуруд
Table IV вурудро барои ҳамаи моделҳо чунин муайян мекунад:
ҳамчун grayscale tensor ва дар preprocessing параметрҳои:
normalization-ро медиҳад.
Backbone-ҳои классикӣ
| Модел | Хусусият | Андозаи feature | Параметри умумӣ |
|---|---|---|---|
| Shallow CNN (SCNN) | Се convolution block, BatchNorm, ReLU, pooling/GAP | 128 | 93.378 |
| ResNet-18 | ImageNet initialization, convolution-и аввал ба як канал мутобиқ карда шудааст | 512 | 11.171.266 |
Хулосаи пурраи сохтори quantum branch
| Унсур | Танзими манбаъ |
|---|---|
| Patch | 2×2, non-overlapping |
| Stride | 2 |
| Шумораи patch | 196 |
| Кубит | 4 |
| Ченкунӣ | \(\langle Z_j\rangle,\;j=1,\ldots,4\) |
| Raw feature map | 4×14×14 |
| Post-processing | Bilinear resize + ReLU + flatten |
| Андозаи flatten | 784 |
| Quantum projection | 784→128 |
| Fixed circuit trainable quantum parameter | 0 |
| Trainable circuit trainable quantum parameter | 4 |
| Variational layer | 1 |
Андозаҳои қабати fusion
Projection output-ҳои классикӣ ва квантӣ:
ба ин шакл normalize мешаванд. Пас аз Concatenation:
Ин vector тавассути ReLU ва classifier-и 256→2 ба score/probability output-и ду синф табдил дода мешавад.
Гиперпараметрҳои омӯзиш
| Гиперпараметр | SCNN | ResNet-18 | Quantum fixed | Quantum trainable | SHF | DHF | TSHF |
|---|---|---|---|---|---|---|---|
| Epoch | 20 | 20 | 10 | 10 | 10 | 10 | 10 |
| Batch size | 16 | 16 | 16 | 16 | 16 | 16 | 16 |
| Learning rate-и асосӣ | \(10^{-3}\) | \(10^{-3}\) | \(3\times10^{-3}\) | \(10^{-2}\) | — | — | — |
| Classical branch LR | — | — | — | — | \(10^{-4}\) | \(10^{-4}\) | \(10^{-4}\) |
| Quantum branch LR | — | — | — | — | \(10^{-2}\) | \(10^{-2}\) | \(10^{-2}\) |
| Fusion head LR | — | — | — | — | \(10^{-3}\) | \(10^{-3}\) | \(10^{-1}\) |
| \(\gamma\) LR | — | — | — | — | Нест | Нест | \(10^{-2}\) |
| Fused feature dim. | — | — | — | — | 128/branch | 128/branch | 128/branch |
Ҳамаи моделҳо Adam optimizer ва cross-entropy loss-ро истифода мебаранд.
Муҳити симулятсия ва сахтафзор
| Унсур | Маълумоти дар манбаъ додашуда |
|---|---|
| Classical framework | PyTorch |
| Quantum framework | PennyLane |
| Trainable integration | TorchLayer |
| Quantum backend | lightning.qubit state-vector |
| Quantum mode | Analytic mode, no shots |
| Quantum execution | CPU |
| Classical execution | CUDA-enabled NVIDIA L40S GPU |
| Такрори мустақил | 5 seed / configuration |
| Optimizer | Adam |
| Loss | Cross-entropy |
Натиҷаҳои standalone baseline
| Маҷмӯи дода | Парадигма | Модел | Accuracy | Precision | Recall | F1 | AUC |
|---|---|---|---|---|---|---|---|
| BreastMNIST | Классикӣ | SCNN | 82.82 ± 2.70 | 86.27 ± 2.26 | 91.05 ± 3.79 | 88.55 ± 1.93 | 84.49 ± 2.23 |
| BreastMNIST | Классикӣ | ResNet-18 | 84.74 ± 2.99 | 88.67 ± 1.69 | 90.70 ± 2.82 | 89.67 ± 2.10 | 87.08 ± 3.07 |
| BreastMNIST | Квантӣ | Non-trainable | 78.21 ± 1.98 | 82.69 ± 4.80 | 89.47 ± 4.92 | 85.73 ± 0.54 | 79.42 ± 3.13 |
| BreastMNIST | Квантӣ | Trainable | 77.82 ± 2.06 | 81.18 ± 3.33 | 91.05 ± 4.45 | 85.71 ± 1.26 | 78.32 ± 1.67 |
| INbreast | Классикӣ | SCNN | 67.92 ± 2.38 | 65.05 ± 4.16 | 73.04 ± 5.87 | 68.56 ± 1.13 | 78.78 ± 1.61 |
| INbreast | Классикӣ | ResNet-18 | 68.33 ± 2.72 | 72.91 ± 13.87 | 66.09 ± 24.04 | 65.15 ± 7.93 | 77.30 ± 4.54 |
| INbreast | Квантӣ | Non-trainable | 69.58 ± 2.49 | 65.78 ± 2.71 | 76.52 ± 5.83 | 70.63 ± 2.85 | 78.63 ± 1.32 |
| INbreast | Квантӣ | Trainable | 70.00 ± 2.49 | 70.00 ± 6.74 | 68.26 ± 9.55 | 68.44 ± 1.97 | 77.15 ± 2.86 |
| BUS-UCLM | Классикӣ | SCNN | 66.92 ± 9.26 | 93.20 ± 4.19 | 58.95 ± 12.57 | 71.66 ± 10.05 | 91.88 ± 3.58 |
| BUS-UCLM | Классикӣ | ResNet-18 | 65.38 ± 9.02 | 95.14 ± 4.58 | 55.79 ± 13.72 | 69.36 ± 11.04 | 86.62 ± 5.27 |
| BUS-UCLM | Квантӣ | Non-trainable | 69.23 ± 9.02 | 97.24 ± 3.79 | 60.00 ± 14.22 | 73.15 ± 11.26 | 86.47 ± 3.94 |
| BUS-UCLM | Квантӣ | Trainable | 70.77 ± 15.53 | 86.67 ± 8.81 | 72.63 ± 25.35 | 76.64 ± 15.40 | 81.80 ± 12.01 |
Маънои натиҷаҳои standalone
Дар BreastMNIST классикии ResNet-18 нисбат ба моделҳои quantum-only дақиқии ба таври назаррас баландтар дорад. Дар INbreast ва BUS-UCLM бошад, моделҳои standalone quantum метавонанд бо моделҳои классикӣ дар як сатҳ ё аз рӯйи accuracy каме баландтар натиҷа диҳанд. Аммо махсусан дар BUS-UCLM инҳирофҳои стандартӣ хеле калонанд ва натиҷаҳо бинобар маҷмӯи test-и хурд ноустувор мебошанд.
BreastMNIST — хулосаи ҳамаи натиҷаҳои fusion
| Стратегия | Классикӣ | Квантӣ | Accuracy | F1 | AUC | \(\gamma\) |
|---|---|---|---|---|---|---|
| SHF | ResNet-18 | Trainable | 84.74 ± 2.10 | 88.88 ± 1.73 | 92.12 ± 0.18 | — |
| SHF | ResNet-18 | Non-trainable | 78.46 ± 2.89 | 85.61 ± 2.70 | 81.14 ± 1.24 | — |
| SHF | SCNN | Trainable | 80.77 ± 1.28 | 87.08 ± 1.01 | 83.56 ± 1.19 | — |
| SHF | SCNN | Non-trainable | 80.77 ± 1.50 | 86.92 ± 1.14 | 83.07 ± 0.66 | — |
| DHF | ResNet-18 | Trainable | 84.87 ± 1.79 | 89.21 ± 1.73 | 92.48 ± 0.52 | — |
| DHF | ResNet-18 | Non-trainable | 86.28 ± 2.20 | 90.22 ± 1.84 | 92.39 ± 0.24 | — |
| DHF | SCNN | Trainable | 80.00 ± 3.52 | 86.52 ± 3.54 | 82.45 ± 0.55 | — |
| DHF | SCNN | Non-trainable | 81.54 ± 1.39 | 87.62 ± 1.03 | 83.46 ± 0.86 | — |
| TSHF | ResNet-18 | Trainable | 86.15 ± 1.48 | 90.11 ± 1.26 | 92.18 ± 0.22 | 1.280 ± 0.331 |
| TSHF | ResNet-18 | Non-trainable | 88.33 ± 2.00 | 92.09 ± 1.25 | 92.09 ± 0.44 | 1.025 ± 0.039 |
| TSHF | SCNN | Trainable | 81.54 ± 0.84 | 88.10 ± 0.80 | 83.71 ± 0.64 | 0.930 ± 0.053 |
| TSHF | SCNN | Non-trainable | 81.92 ± 0.95 | 88.23 ± 0.81 | 83.29 ± 0.84 | 1.019 ± 0.057 |
Дар BreastMNIST баландтарин accuracy ва F1 дар TSHF + ResNet-18 + non-trainable ба даст меояд. Аммо баландтарин AUC:
ба конфигуратсияи DHF + ResNet-18 + trainable тааллуқ дорад. Аз ин рӯ, хулосаи “TSHF дар ҳамаи метрикаҳо беҳтарин аст” дуруст нест.
Паёми confusion-matrix-и BreastMNIST
Манбаъ дар confusion matrix-ҳои ҷамъбастии панҷ run хабар медиҳад, ки беҳтарин модели TSHF нисбат ба standalone ResNet-18 ва deterministic quantum baseline ҳам тасниф шудани намунаҳои malignant ҳамчун benign-ро кам мекунад ва ҳам гузаштани намунаҳои benign ба синфи malignant-ро коҳиш медиҳад. Яъне дар ин маҷмӯи дода improvement на танҳо аз кӯчонидани operating threshold ба нафъи як синф, балки аз кам шудани ҳамзамони ҳар ду навъи хато ба вуҷуд меояд.
INbreast — хулосаи ҳамаи натиҷаҳои fusion
| Стратегия | Классикӣ | Квантӣ | Accuracy | F1 | AUC | \(\gamma\) |
|---|---|---|---|---|---|---|
| SHF | ResNet-18 | Trainable | 66.87 ± 4.32 | 68.73 ± 3.57 | 79.62 ± 0.09 | — |
| SHF | ResNet-18 | Non-trainable | 70.42 ± 3.73 | 72.96 ± 1.29 | 80.28 ± 0.46 | — |
| SHF | SCNN | Trainable | 68.33 ± 0.93 | 66.55 ± 3.76 | 76.83 ± 2.20 | — |
| SHF | SCNN | Non-trainable | 68.75 ± 1.47 | 65.81 ± 3.63 | 77.70 ± 0.98 | — |
| DHF | ResNet-18 | Trainable | 67.08 ± 2.16 | 69.91 ± 2.56 | 74.67 ± 1.26 | — |
| DHF | ResNet-18 | Non-trainable | 69.79 ± 1.95 | 70.30 ± 4.09 | 76.25 ± 2.04 | — |
| DHF | SCNN | Trainable | 68.33 ± 2.51 | 65.76 ± 5.99 | 76.55 ± 2.48 | — |
| DHF | SCNN | Non-trainable | 68.54 ± 2.80 | 64.99 ± 4.79 | 77.12 ± 1.50 | — |
| TSHF | ResNet-18 | Trainable | 67.92 ± 1.55 | 69.32 ± 3.12 | 76.53 ± 1.25 | 1.080 ± 0.169 |
| TSHF | ResNet-18 | Non-trainable | 65.42 ± 3.71 | 70.72 ± 1.71 | 78.12 ± 1.22 | 1.095 ± 0.150 |
| TSHF | SCNN | Trainable | 67.71 ± 6.46 | 67.80 ± 3.07 | 75.26 ± 2.54 | 0.977 ± 0.053 |
| TSHF | SCNN | Non-trainable | 68.13 ± 3.50 | 69.36 ± 2.46 | 75.70 ± 2.76 | 1.045 ± 0.084 |
Дар INbreast стратегияҳои adaptive аз static fusion пеш намегузаранд. Беҳтарин натиҷа аз SHF меояд, ки frozen feature extractors-ро истифода мебарад.
Таҳлили confusion matrix нишон медиҳад, ки механизми фоида дар ин маҷмӯи дода аз BreastMNIST фарқ мекунад: дар ҳоле ки ҳолатҳои missed malignant кам мешаванд, шумораи false-positive дар намунаҳои benign меафзояд. Ҳамин тавр, fusion дар ин ҷо sensitivity–specificity trade-off-ро тағйир медиҳад.
BUS-UCLM — хулосаи ҳамаи натиҷаҳои fusion
| Стратегия | Классикӣ | Квантӣ | Accuracy | F1 | AUC | \(\gamma\) |
|---|---|---|---|---|---|---|
| SHF | ResNet-18 | Trainable | 78.46 ± 8.85 | 84.66 ± 6.57 | 89.47 ± 3.28 | — |
| SHF | ResNet-18 | Non-trainable | 73.08 ± 7.69 | 78.16 ± 7.38 | 90.38 ± 2.09 | — |
| SHF | SCNN | Trainable | 62.31 ± 6.88 | 65.39 ± 7.81 | 87.52 ± 2.64 | — |
| SHF | SCNN | Non-trainable | 56.15 ± 9.65 | 56.46 ± 14.79 | 90.23 ± 4.15 | — |
| DHF | ResNet-18 | Trainable | 58.46 ± 7.40 | 61.98 ± 9.01 | 82.56 ± 6.43 | — |
| DHF | ResNet-18 | Non-trainable | 69.23 ± 9.02 | 74.41 ± 10.00 | 89.17 ± 3.39 | — |
| DHF | SCNN | Trainable | 59.23 ± 4.39 | 61.69 ± 5.64 | 89.77 ± 2.41 | — |
| DHF | SCNN | Non-trainable | 55.38 ± 5.83 | 56.10 ± 8.69 | 88.57 ± 3.66 | — |
| TSHF | ResNet-18 | Trainable | 65.38 ± 13.60 | 68.98 ± 16.03 | 83.16 ± 13.44 | 0.989 ± 0.045 |
| TSHF | ResNet-18 | Non-trainable | 53.08 ± 14.24 | 51.13 ± 24.55 | 81.95 ± 11.09 | 1.005 ± 0.024 |
| TSHF | SCNN | Trainable | 62.31 ± 15.24 | 64.45 ± 19.75 | 88.57 ± 4.13 | 0.959 ± 0.062 |
| TSHF | SCNN | Non-trainable | 54.62 ± 20.24 | 50.51 ± 33.42 | 87.67 ± 4.68 | 1.025 ± 0.045 |
Дар BUS-UCLM беҳтарин accuracy ва F1 ба static fusion тааллуқ доранд. Баръакс, баландтарин AUC дар ин маҷмӯи дода:
ба standalone SCNN тааллуқ дорад. Ин низ тафсири “fusion ҳамаи метрикаҳоро зиёд мекунад”-ро рад мекунад.
Чаро TSHF Дар Ҳар Маҷмӯи Дода Беҳтарин Нест?
Калибровкаи иловагии \(\gamma\) ва end-to-end co-adaptation-и TSHF худ озодиҳои иловагие мебошанд, ки бояд омӯзонида шаванд; дар 546 намунаи омӯзишии BreastMNIST ин чандирӣ фоида меорад, аммо дар 310 намунаи омӯзишии INbreast ва 199 намунаи BUS-UCLM манбаъ қайд мекунад, ки SHF-и содатар generalization-и беҳтар нишон додааст ва маҷмӯаҳои додаи хурд эҳтимол барои боэътимод омӯхтани branch-weight calibration ва оптимизатсияи муштарак сигнали кофӣ надоштаанд.
Temperature scalar ablation
Манбаъ дар BreastMNIST + ResNet-18 вариантҳои зеринро муқоиса мекунад:
- бе scaling,
- \(\gamma=0.001\),
- \(\gamma=0.01\),
- \(\gamma=0.1\),
- \(\gamma=0.5\),
- \(\gamma=2\),
- branch-wise \(\ell_1\) normalization,
- \(\gamma\)-и омӯзишшаванда
.
Дар non-trainable quantum branch, learned TSHF:
бо accuracy беҳтарин натиҷаи ин блокро медиҳад.
Дар trainable quantum branch бошад, \(\ell_1\) normalization:
бо accuracy аз арзиши learned TSHF:
баландтар аст.
Бинобар ин learned scalar як calibration mechanism-и амалии автоматӣ пешниҳод мекунад, аммо баландтарин accuracy-ро дар ҳамаи намудҳои quantum branch кафолат намедиҳад.
\(\gamma\)-и омӯхташуда то чӣ андоза тағйир меёбад?
Дар ҳамаи дувоздаҳ конфигуратсияи TSHF манбаъ фосилаи:
ро гузориш мекунад. Дар ёздаҳ конфигуратсия арзиш дар ҳудуди тақрибан %10-и нуқтаи ибтидоии \(1.0\) мемонад.
Аз ин рӯ, \(\gamma\)-ро ҳамчун “дараҷаи душворӣ”-и маҷмӯи дода хондан дуруст нест. Муаллифон махсусан ин тафсирро рад мекунанд.
Таҳлили UMAP чиро нишон медиҳад?
Манбаъ embedding-ҳои BreastMNIST, INbreast ва BUS-UCLM-ро тавассути Uniform Manifold Approximation and Projection (UMAP) ба ду андоза коҳиш медиҳад. Standalone classical ва quantum branches ҳамон намунаҳоро дар геометрияҳои гуногуни latent ҷой медиҳанд; пас аз fusion, дар баъзе конфигуратсияҳои муваффақ намунаҳои benign ва malignant ба таври визуалӣ дар минтақаҳои сохторёфта ҷамъ мешаванд.
Аммо муаллифон ошкоро қайд мекунанд, ки UMAP:
- non-linear,
- stochastic,
- hyperparameter-sensitive
як visualization аст ва худ аз худ наметавонад метрикаи class separability ҳисобида шавад. Намоишҳо танҳо ба як run тааллуқ доранд. Асоси иддаои quantitative separability на тасвири UMAP, балки арзишҳои AUC мебошанд.
Фосилаҳои эътимодии %95
Appendix E барои миёнаи панҷ run-и мустақил %95 confidence interval медиҳад. Инҳо фосилаҳои эътимодӣ барои миёнаи панҷ seed мебошанд; набояд мисли population confidence interval бар асоси ҳазорҳо бемори мустақили клиникӣ тафсир шаванд.
| Маҷмӯи дода | Конфигуратсия | Accuracy | F1 | AUC |
|---|---|---|---|---|
| BreastMNIST | TSHF + ResNet-18 + non-trainable | 88.33 [85.85, 90.81] | 92.09 [90.54, 93.64] | 92.09 [91.54, 92.64] |
| INbreast | SHF + ResNet-18 + non-trainable | 70.42 [65.79, 75.05] | 72.96 [71.36, 74.56] | 80.28 [79.71, 80.85] |
| BUS-UCLM | SHF + ResNet-18 + trainable | 78.46 [67.47, 89.45] | 84.66 [76.50, 92.82] | 89.47 [85.40, 93.54] |
Паҳноии confidence interval-ҳои BUS-UCLM бо намунаи test-и хурд ва тағйирёбии seed-to-seed мувофиқ аст.
Оё formal significance testing анҷом дода шудааст?
Не. Манбаъ ошкоро мегӯяд, ки байни competing methods formal statistical significance testing анҷом дода нашудааст. Аз ин рӯ, фарқҳои миёнаи accuracy ё AUC набояд ҳамчун “бартарии аз ҷиҳати оморӣ исботшуда” баён шаванд. Муаллифон фарқҳоро ҳамчун descriptive trend арзёбӣ мекунанд ва sample-level paired analysis-ро ба таҳқиқоти оянда мегузоранд.
Муқоисаи BreastMNIST бо моделҳои гибридии пешин
| Модел / таҳқиқот | Accuracy | F1 | AUC |
|---|---|---|---|
| Matondo et al. | 76.66 | 68.00 | Гузориш нашудааст |
| Yurtseven et al. | 86.54 | 91.31 | Гузориш нашудааст |
| Sobrinho et al. | 82.10 | 80.30 | 82.60 |
| Ин таҳқиқот — SHF, ResNet-18 + trainable | 84.74 ± 2.10 | 88.88 ± 1.73 | 92.12 ± 0.18 |
| Ин таҳқиқот — DHF, ResNet-18 + non-trainable | 86.28 ± 2.20 | 90.22 ± 1.84 | 92.39 ± 0.24 |
| Ин таҳқиқот — TSHF, ResNet-18 + non-trainable | 88.33 ± 2.00 | 92.09 ± 1.25 | 92.09 ± 0.44 |
Маҳдудияти муҳими муқоиса чунин аст: арзишҳои ин таҳқиқот миёнаи панҷ seed мебошанд; арзишҳои таҳқиқоти пешина, ки дар манбаъ муқоиса шудаанд, гузоришҳои single-run мебошанд. Аз ин рӯ, ҳарчанд истифодаи ҳамон test split дар ҷадвал муфид аст, протоколҳои таҷрибавӣ пурра баробар нестанд.
Computational cost
| Модел | Параметри умумӣ | Circuit / тасвир | Inference (ms/тасвир) | Training (ms/қадам) | Training slowdown нисбат ба SCNN |
|---|---|---|---|---|---|
| SCNN | 93.378 | 0 | 0.03 | 2.4 | 1× |
| ResNet-18 | 11.171.266 | 0 | 0.22 | 55 | 23× |
| QC-fixed | 1.570 | 196 | 118 | 2.357 | ≈\(9.6\times10^2\) |
| QC-trainable | 1.574 | 196 | 143 | 8.304 | ≈\(3.4\times10^3\) |
| SHF + SCNN | 210.888 | 196 | 176 | 2.864 | ≈\(1.2\times10^3\) |
| SHF + ResNet-18 | 11.337.928 | 196 | 134 | 2.140 | ≈\(8.7\times10^2\) |
| DHF + SCNN | 210.888 | 196 | 149 | 8.839 | ≈\(3.6\times10^3\) |
| DHF + ResNet-18 | 11.337.928 | 196 | 169 | 12.785 | ≈\(5.2\times10^3\) |
| TSHF + SCNN | 210.889 | 196 | 190 | 12.283 | ≈\(5.0\times10^3\) |
| TSHF + ResNet-18 | 11.337.929 | 196 | 180 | 9.442 | ≈\(3.9\times10^3\) |
Азбаски TSHF танҳо як learnable scalar-и иловагӣ меафзояд, нисбат ба DHF мураккабии аналитикии моделро ба таври назаррас зиёд намекунад. Дар Table XI фарқҳои measured runtime байни DHF ва TSHF дар доираи run-to-run dispersion арзёбӣ мешаванд; манбаъ ин фарқҳои вақтро ҳамчун хароҷоти мустақими механизми \(\gamma\) тафсир намекунад.
Оё Ин Таҳқиқот Бартарии Квантӣ ё Шитоби Квантиро Исбот Мекунад?
Не; таҳқиқот далели методологӣ пешниҳод мекунад, ки simulated quanvolutional feature maps-и чоркубитӣ метавонанд бо хусусиятҳои классикии CNN намояндагии пурракунанда эҷод кунанд, аммо чун дар сахтафзори физикии квантӣ ҳисоббарории end-to-end-и тезтар, арзонтар ё дақиқтар аз усулҳои классикӣ нишон дода нашудааст, quantum computational advantage ё quantum speedup-ро исбот намекунад.
Чаро самаранокии параметр маънои шитобро надорад?
Дар ҳоле ки trainable quantum circuit танҳо чор trainable quantum parameter истифода мекунад, ResNet-18 тақрибан 11,17 миллион параметр дорад. Ин фарқи муҳими parameter-efficiency аст.
Аммо азбаски барои ҳар тасвир 196 quantum-circuit evaluation-и ҷудогона лозим аст ва ин схемаҳо дар state-vector simulator дар CPU иҷро мешаванд, wall-clock runtime хеле баланд аст. Хулосаи худи манбаъ ин аст, ки simulated hybrid pipeline метавонад аз SCNN-и классикӣ то тақрибан се дараҷаи бузургӣ сусттар бошад.
Муаллифон мегӯянд, ки дар quantum hardware-и воқеӣ cost profile дигар хоҳад буд; аммо то чӣ андоза дигар буданашро чен намекунанд. Аз ин рӯ, Verianla суръати сахтафзори ояндаро ба таври ададӣ тахмин намекунад.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- Classical ва quantum feature representations метавонанд ҳамон тасвирҳоро дар сохторҳои гуногуни latent тартиб диҳанд ва ин фарқият дар баъзе маҷмӯаҳои дода метавонад сигнали муфиди fusion диҳад.
- Дар BreastMNIST, TSHF + ResNet-18 + non-trainable quantum branch нисбат ба standalone ResNet-18 accuracy, F1 ва AUC-и баландтар ба даст овардааст.
- Дар INbreast ва BUS-UCLM беҳтарин accuracy на аз adaptive TSHF, балки аз SHF омадааст.
- Фоидаи adaptive fusion ба миқдори дода ва интихоби branch/model вобаста аст; универсалӣ нест.
- Deterministic quantum feature map қисми беҳтарин конфигуратсия дар ду маҷмӯи дода аст ва trainable quantum parameter талаб намекунад.
- Ansatz-и якқабата ва чорпараметрии trainable quantum branch схемаи deterministic-ро пайваста пеш намегузарад.
- Branch-wise normalization қисми зиёди quantum/classical magnitude asymmetry-ро ислоҳ мекунад.
- Learnable \(\gamma\) relative branch scale-и пас аз normalization бо як параметр танзим мекунад.
- Тасвирҳои UMAP ба таври сифатӣ нишон медиҳанд, ки classical ва quantum latent representations метавонанд ба шаклҳои гуногун ташкил шаванд.
- Арзёбии quantitative class separability бояд ба ҷойи UMAP тавассути AUC анҷом дода шавад.
Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад
- Нишон дода нашудааст, ки компютери воқеии квантӣ саратони синаро аз компютери классикӣ беҳтар тасниф мекунад.
- Quantum speedup ё quantum computational advantage нишон дода нашудааст.
- Рафтори physical quantum hardware бо shot noise, decoherence ва gate error санҷида нашудааст.
- Нишон дода нашудааст, ки TSHF дар ҳамаи маҷмӯаҳои дода ва ҳамаи метрикаҳо беҳтарин аст.
- Нишон дода нашудааст, ки trainable quantum circuit дар маҷмӯъ аз deterministic circuit бартарӣ дорад.
- Азбаски formal statistical significance testing анҷом дода нашудааст, фарқҳои миёна бартариҳое нестанд, ки бо p-value тасдиқ шудаанд.
- Ҷудошавии cluster дар UMAP далели мустақили миқдории separability нест.
- Маҷмӯаҳои додаи хурди истифодашуда screening population-ро намояндагӣ намекунанд.
- External clinical validation, calibration analysis ё reader study анҷом дода нашудааст.
- Нишон дода нашудааст, ки модел барои истифодаи клиникӣ омода аст.
- Муваффақият дар ҳалли пасти 28×28 ба таври худкор ба workflow-и воқеии клиникии дорои ҳалли баланд умумӣ карда намешавад.
Маҳдудиятҳои асосии таҳқиқот
- Ҳамаи тасвирҳо ҳалли 28×28 grayscale доранд.
- Маҷмӯаҳои test танҳо 156, 96 ва 26 тасвир доранд.
- Ҳар модел танҳо бо панҷ seed-и мустақил арзёбӣ шудааст.
- Байни competing methods formal significance testing вуҷуд надорад.
- Тақсимоти prevalence-и train/validation/test дар BUS-UCLM ба таври назаррас фарқ мекунанд.
- Quantum circuit analytic simulation мебошад; real hardware noise вуҷуд надорад.
- Схемаи квантӣ танҳо чор кубит ва як variational layer дорад.
- External validation cohort вуҷуд надорад.
- Clinical calibration analysis вуҷуд надорад.
- Radiologist/reader study вуҷуд надорад.
- Dataset-ҳо population-level screening cohort нестанд.
Таҳқиқоти оянда
Манбаъ qubit register-ҳои васеътар, variational circuits-и амиқтар, execution дар physical quantum hardware, маҷмӯаҳои додаи калонтар ва дорои ҳалли баландтар, тасвирбардории multimodal, calibration analysis ва external validation-ро пешниҳод мекунад. Махсусан он ки trainable quantum branch дар ин таҳқиқот танҳо бо чор параметр маҳдуд нигоҳ дошта шудааст, саволи онро кушода мегузорад, ки ansatz-ҳои калонтар воқеан фоидаи иловагӣ медиҳанд ё не.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: On the Complementarity of Quantum and Classical Features: Adaptive Hybrid Quantum-Classical Feature Fusion for Breast Cancer Classification.
Муаллифон: Yasmin Rodrigues Sobrinho; João Renato Ribeiro Manesco; João Paulo Papa.
Номҳои кӯтоҳшудаи муаллифон, ки дар PDF истифода шудаанд: Yasmin R. Sobrinho; João R. R. Manesco; João P. Papa.
Муассиса: Department of Computing, São Paulo State University (UNESP), Bauru, SP, Brazil.
Почтаи электронӣ: PDF суроғаҳои yasmin.sobrinho, joao.r.manesco ва joao.papa @unesp.br-ро барои се муаллиф якҷоя медиҳад.
Corresponding author: Дар PDF-и боршуда аломати алоҳидаи corresponding-author ба таври возеҳ нишон дода нашудааст.
Саҳми баробар: Дар PDF-и боршуда изҳороти саҳми баробар/муаллифи аввали баробар дида намешавад.
Платформа: arXiv.
arXiv: arXiv:2604.22903v2 [cs.CV].
Ирсоли аввал: 24 апрели 2026.
Ревизияи v2: 20 октябри 2026.
DOI: 10.48550/arXiv.2604.22903. Ин DOI-и arXiv/DataCite аст; DOI-и маҷаллаи рецензияшуда нест.
Вазъи рецензия: Сабти библиографии ҷорӣ, ки то 15 ноябри 2026 санҷида шудааст, таҳқиқотро ҳамчун preprint нишон медиҳад. Майдони comments-и arXiv мегӯяд, ки мақола дар маҷаллаи Artificial Intelligence in Medicine таҳти баррасӣ аст; версияи ҷудогонаи нашршуда ва рецензияшуда тасдиқ нашудааст.
Литсензия: Дар PDF-и боршуда изҳороти мушаххаси литсензия дида намешавад ва азбаски дар ин сессия майдони литсензияи metadata-и расмии arXiv боэътимод тасдиқ карда нашуд, Verianla литсензияи кушодаи мушаххасро фарз намекунад.
Навъи таҳқиқот: Methodological/exploratory hybrid quantum-classical machine-learning simulation таҳқиқот.
Соҳаи татбиқ: Таснифи benign–malignant дар тасвирҳои сина.
Моделҳои классикӣ: ResNet-18 ва Shallow CNN.
Моделҳои квантӣ: Quanvolutional feature map-и deterministic/non-trainable-и чоркубитӣ ва variational quanvolutional circuit-и якқабата бо чор trainable quantum parameter.
Стратегияҳои fusion: Static Hybrid Fusion (SHF), Dynamic Hybrid Fusion (DHF), Temperature-Scaled Hybrid Fusion (TSHF).
Маҷмӯаҳои дода: BreastMNIST, INbreast ва BUS-UCLM.
Ҷамъбасти мустақими ҳамаи тасвирҳои беназир/намунаҳои ROI: Азбаски маҷмӯаҳои дода сохторҳои гуногун доранд, таҳқиқот набояд ҳамчун як clinical cohort-и ягонаи муттаҳид арзёбӣ шавад; BreastMNIST 780 намуна, INbreast 481 ROI/sample-и коркардшуда ва BUS-UCLM 264 намуна дорад.
Ҳалли тасвир: 28×28, якканалаи grayscale.
Quantum patch: 2×2, stride 2, чор кубит, 196 quantum circuit evaluation барои ҳар тасвир.
Quantum measurement: Pauli-\(Z\) expectation value дар ҳар кубит.
Quantum simulation: PennyLane lightning.qubit, state-vector, analytic mode, no shots, CPU.
Сахтафзори классикӣ: CUDA-enabled NVIDIA L40S GPU.
Framework: PyTorch + PennyLane TorchLayer.
Optimizer: Adam.
Loss: Cross-entropy.
Такрор: Барои ҳар конфигуратсия панҷ independent seed.
Конфигуратсияҳои fusion: Манбаъ 36 конфигуратсияи fusion ва 12 арзёбии standalone baseline гузориш мекунад.
Метрикаҳои асосии арзёбӣ: Accuracy, precision, recall, F1-score ва AUC-ROC.
Огоҳии синфи мусбат: Дар BreastMNIST positive class benign аст; дар INbreast ва BUS-UCLM malignant мебошад. Аз ин рӯ, precision, recall ва F1 дар байни маҷмӯаҳои дода аз ҷиҳати маънои синф мустақиман як синфи мусбати якхеларо ифода намекунанд.
Formal statistical test: Байни competing methods formal significance testing анҷом дода нашудааст. Дар Appendix E барои миёнаи панҷ run %95 confidence intervals дода шудаанд.
UMAP: Барои latent-space visualization истифода шудааст; манбаъ UMAP-ро далели миқдории separability намеҳисобад.
Маҳдудияти computational cost: Runtime overhead-и калони гузоришшуда ба classical quantum simulation дар CPU тааллуқ дорад ва ченкунии runtime-и physical quantum hardware нест.
Маҳдудияти clinical: Calibration analysis, independent external cohort validation ва reader study вуҷуд надоранд; манбаъ clinical readiness-ро иддао намекунад.
Дастрасии код: Манбаъ мегӯяд, ки implementation, configuration files, experiment scripts ва файлҳои patient-level split-и INbreast/BUS-UCLM дар GitHub-и оммавӣ мавҷуданд.
Дастрасии дода: BreastMNIST тавассути MedMNIST benchmark; INbreast ва BUS-UCLM мутобиқи шартҳои дастрасии таъминкунандагони худ дастрасанд.
Маблағгузорӣ / сипосгузорӣ: Манбаъ дастгирии São Paulo Research Foundation (FAPESP) grant 2013/07375-0, 2023/14427-0, 2024/00117-0, 2024/22853-0, 2026/11390-4 ва 2025/07171-2 ва Brazilian National Council for Scientific and Technological Development (CNPq) process 308529/2021-9-ро зикр мекунад.
Саҳми муаллифон: Дар PDF-и v2-и боршуда бахши ҷудогонаи CRediT/Author Contributions дида намешавад.
Бархӯрди манфиатҳо: Дар PDF-и v2-и боршуда изҳороти ҷудогонаи competing-interests/conflict-of-interest мавҷуд нест.
Изҳороти ахлоқӣ: Дар PDF-и v2-и боршуда ethics statement-и ҷудогона дида намешавад. Таҳқиқот маълумоти нави беморонро ҷамъ накардааст ва маҷмӯаҳои додаи оммавии таҳқиқотиро истифода кардааст; аммо Verianla хулосаи кумитаи ахлоқиро, ки манбаъ ошкоро надодааст, худ аз худ эҷод намекунад.
Ёддошти визуалии дохили манбаъ: Дар яке аз саҳифаҳои precision–recall-и Appendix A байни унвонҳои panel ва parsed caption аз ҷиҳати номи маҷмӯи дода намуди номувофиқӣ вуҷуд дорад.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд