量子增强的乳腺癌分层：探索真实组学数据的量子表达力

量子机器学习（QML）被认为是噪声中等规模量子（NISQ）时代最具前景的量子计算应用之一。尽管存在理论上的潜力，但QML在医学和生物学领域推动新发现的探索仍处于起步阶段，实际案例较少。

本研究旨在评估量子核（QK）是否能够基于分子特征有效分类乳腺癌（BC）患者的亚型。通过启发式探索不同纠缠级别的编码配置，以确定核表达力与性能之间的平衡。研究结果表明，量子核在使用较少数据点的情况下能够产生与经典方法相当的聚类结果，并且能够拟合具有更多簇数量的数据。

此外，在量子处理单元（QPU）上进行了实验，以评估噪声对结果的影响。研究发现，表达力较低的编码表现出更高的噪声抗扰性，表明计算流程可以在NISQ设备上可靠实现。这些发现表明，量子核方法在精准肿瘤学中具有应用潜力，特别是在数据集规模有限且无法通过经典方法实现复杂分子数据的细粒度非平凡分层的场景中。

评论：10页，6张图表

主题：
量子物理（quant-ph）；机器学习（cs.LG）

引用来源：
arXiv:2409.14089 [quant-ph]
（或此版本的 arXiv:2409.14089v2 [quant-ph]）
DOI: 10.48550/arXiv.2409.14089

提交历史：

量子机器学习在乳腺癌分型中的突破应用