量子启发的可扩展医学卷积神经网络：智能肺炎诊断的创新突破

本文提出了一种量子启发的可扩展医学卷积神经网络（MSQCNN），通过多小型量子设备并行处理医学图像，解决了传统深度学习模型参数过多、计算资源需求高的问题。实验表明，该模型在肺炎诊断中准确率达97.71%（F1-score 98.46%），且具有优异的抗噪性能，为当前NISQ（含噪声中等规模量子）时代的医学图像分析提供了实用化量子辅助方案。

Highlight

本研究创新性地提出医学可扩展量子卷积神经网络（MSQCNN），通过多小型量子设备协同工作，在肺炎诊断任务中实现97.71%的准确率，显著超越传统量子神经网络，并展现出良好的噪声鲁棒性。

Related works

吴等人提出的UIU-Net框架通过嵌套U-Net结构有效解决医学图像小目标检测中的特征丢失问题，其多尺度特征提取策略为本研究提供了重要启示。

Quantum gates

量子计算机由量子导线和基本量子门构成，通过一系列幺正操作改变量子态。量子逻辑门具有可逆性特征，按作用量子比特数可分为单比特门（如泡利X/Y/Z门）和双比特门（如CNOT门）。

Classical model

经典卷积神经网络（CNN）包含卷积层、激活函数、池化层和全连接层等组件，辅以批量归一化（Batch Normalization）和Dropout层优化性能。输入层接收外部数据，通过多层非线性变换提取特征。

Experiments and results

在胸透X光片和ChestMNIST数据集上的实验显示，MSQCNN模型准确率达97.71%，AUC值99.47%。在1%和10%退极化噪声环境下仍保持优异性能，验证了模型的实用可靠性。

Conclusion

MSQCNN通过多量子设备并行处理机制，有效突破当前量子资源限制，为医学图像分类提供了兼具高性能与可扩展性的量子-经典混合解决方案。

（注：严格遵循专业术语标注规范，如NISQ、CNN等缩写均保留原文大小写；量子门名称采用中文+英文缩写对照；数值指标保留上标^99.47%等原格式）