《Scientific Reports》：A Flexible Hybrid Quantum-classical Training Framework of Organ-at-Risk and Tumor Segmentation Models for Radiation Therapy Planning
编辑推荐：
为解决医学影像小样本场景下深度学习分割模型参数量大、易过拟合的问题，研究人员开展了一项关于混合量子-经典训练框架的研究。该研究提出的HQC-TF，基于QPG技术，能在训练中自适应确定参数矩阵秩，显著减少可训练参数。实验表明，相比经典框架，该方案在UNetPP模型上实现了肾脏肿瘤分割IoU提升6.77%、DSC提升3.09%的显著效果，为近期的临床放疗规划提供了实用、可扩展的解决方案。
在精准放射治疗领域，为患者量身定制放射线剂量分布，以最大程度杀伤肿瘤细胞、同时最小化对周围正常组织（称为危及器官，Organ-at-Risk, OAR）的损伤，是实现成功治疗的关键。这一过程高度依赖于从医学影像（如CT、MRI）中精确勾画出肿瘤和OAR的轮廓，即分割。近年来，基于深度学习的自动分割模型展现出巨大潜力，然而，一个棘手的矛盾始终存在：为了追求强大的表征能力，模型往往被设计得参数众多、结构复杂（即“过参数化”）。这种复杂性就像一把双刃剑，它需要海量的、已标注的高质量医学影像数据进行训练，才能避免模型仅仅记住有限的训练样本而不能泛化到新数据，也就是“过拟合”。不幸的是，在医疗场景中，获取大规模、标注精准的医学影像数据集成本极高、过程繁琐，尤其是在涉及罕见病或特定解剖部位时，“小样本”是常态。因此，如何在数据有限的情况下，既保持模型强大的学习能力，又防止其“学歪了”，成为横亘在研究人员面前的一道难题。
传统的解决方案试图通过“减肥”来简化模型，例如设计更轻量化的网络结构，或者使用低秩近似等技术直接压缩参数矩阵。但这些方法有时像是给模型“削足适履”，可能人为限制了模型本应具备的表达潜力，最终导致分割性能的下降。有没有一种方法，能在训练过程中智能地、自适应地“精简”模型，既大幅减少需要学习的参数数量，又不牺牲甚至提升模型的最终表现呢？一篇发表在《Scientific Reports》上的研究为我们提供了一个富有想象力的答案：向量子计算借力。研究人员提出了一种创新的混合量子-经典训练框架（Hybrid Quantum-Classical Training Framework, HQC-TF），巧妙地将量子计算的原理应用于深度学习模型的训练过程，旨在破解小样本医学图像分割的困局。
该研究主要应用了量子参数生成（Quantum Parameter Generation, QPG）这一核心技术。其核心思想是，不直接训练庞大神经网络中的每一个参数，而是通过一组规模小得多的、可训练的变分量子电路（Variational Quantum Circuits, VQCs）来动态生成这些参数。在HQC-TF框架中，每个经典神经网络通道都配备一个独立的VQC，这使得通道间的独立性得以保留，框架可以灵活地集成到各种深度神经网络中进行训练。关键在于，QPG技术能够在训练过程中自适应地决定所生成参数矩阵的“秩”（一种衡量矩阵复杂度的指标），从而在保留模型表征灵活性的同时，实现极高的参数效率。这意味着模型结构本身未被改变，但其“学习内容”的方式被优化了。整个量子部分仅在模型训练阶段运行，且使用的是浅层量子线路，这使其对当前处于“近期”阶段的量子硬件更为友好，提升了方案的实用性和可扩展性。
研究结果表明，HQC-TF框架在多个分割任务上取得了显著优于经典训练框架的性能。
研究人员在肾脏肿瘤分割等任务上进行了验证。结果显示，采用HQC-TF框架训练的UNet++（UNetPP）模型，与使用经典方法训练的相同结构模型相比，在参数量大幅减少的情况下，分割性能反而显著提升。具体而言，在肾脏肿瘤分割任务中，交并比（IoU）提升了6.77%，戴斯相似系数（DSC）提升了3.09%。这一提升证明，该框架并非以性能妥协来换取参数效率，而是通过更高效的参数优化机制，同时达成了“减负”和“增效”两个目标。进一步的实验分析表明，HQC-TF通过其独特的参数生成方式，可能引导模型学习到更鲁棒、更具泛化能力的特征表示，从而在面对有限训练数据时表现更佳。
结论与讨论指出，这项工作为小样本医学图像分析开辟了新途径。
该研究成功地将量子计算概念与经典深度学习训练相结合，提出了HQC-TF这一新型训练范式。其重要意义在于：第一，它提供了一种在不改变网络架构的前提下，从根本上减少模型可训练参数数量、缓解过拟合问题的新方法。第二，该方法在减少参数的同时，显著提升了模型在医学图像分割任务上的性能，实现了“双赢”。第三，框架设计考虑了实用性，量子部分仅用于训练，且对量子硬件深度要求不高，使其在现有的“近期量子”设备上具有可操作性，为量子计算在临床医学影像分析中的早期应用铺平了道路。这项工作不仅对放射治疗规划中的自动分割具有直接应用价值，其核心思想——利用量子系统生成高效参数——也可能启发其他数据稀缺领域的机器学习模型训练，展示了混合量子-经典计算在解决实际生物医学工程问题方面的巨大潜力。
