用于放射治疗规划的器官-风险与肿瘤分割模型的灵活混合量子-经典训练框架

更聪明的扫描为何对癌症护理很重要

在医生制定放射治疗方案时，必须精确瞄准肿瘤，同时尽可能保护邻近的健康器官。如今这种精细的勾画常由人工完成，并辅以人工智能，但常规的 AI 工具往往臃肿且脆弱：它们需要大量标注数据才能表现良好，而医院往往没有这样的数据量。本研究提出了一种新的医学影像模型训练方法，借鉴量子计算的思想，使模型更精简、更准确，并更适合真实世界的肿瘤诊疗场景。

划清边界的挑战

在放射治疗中，计算机首先需要在 CT 扫描上将“危险器官”（器官-风险）和肿瘤与周围组织区分开来。现代深度学习模型可以自动完成这项任务，但它们通常包含数千万个可调参数。在只有数百例精心标注的样本可用的情况下，这些过大的模型往往会记住训练数据中的偶发特征，而不是学到稳健的解剖特征。现有的模型压缩手段要么裁减网络结构，要么限制内部权重的变化范围，这两种方法都能节省内存，但常常削弱模型捕捉肿瘤那种复杂、不规则形状的能力。

借用量子电路的能力

作者提出了不同的策略：不是直接训练网络中的每个权重，而是让紧凑的、受量子启发的模块去生成许多权重。这些模块称为变分量子电路，是通过常规优化方法调优的小系统，但它们能从更少的可学习值产生大量参数。在混合量子-经典训练框架（HQC-TF）中，标准分割模型的某些层按常规方式训练，而其他层则由这些类量子生成器提供权重。关键是每个图像通道都配有自己的生成器，从而保留了对于清晰特征提取至关重要的通道独立性。

在降低复杂度的同时保留灵活性

这种设计的主要优势在于，它在不将模型强行限制为刚性低秩形式的情况下，减少了必须学习的参数数量。流行的压缩方法通常要求工程师提前猜测每个权重矩阵应简化多少，而受量子启发的生成器在训练过程中自然而然地调整其输出的丰富性。作者还探讨了三种简单方式，将量子概率的有限范围转换为经典网络所需的更广泛数值范围，以在硬件友好性、参数数量和数值精度之间取得平衡。由于这些量子模块仅在模型学习期间使用，且可在现有硬件上高效模拟，这种方法在大型容错量子计算机出现之前也是实用的。

将该框架付诸测试

为评估这种混合配置在实际中的效果，团队在一个包含器官与肿瘤标注的公开肾脏 CT 数据集上训练了五种知名分割模型。他们比较了常规训练与仅让选定层由类量子生成器驱动的版本。总体来看，混合模型产生了更干净的轮廓、更少的斑点噪声，并且与专家标注的吻合度更高。对于更为微妙的肿瘤分割任务——边界小、参差且容易被忽视——增益尤为显著。在一个实验中，一种流行架构的肾脏肿瘤重叠得分提高了近七个百分点，同时使用了更少的可训练参数。作者还表明，在网络不同部位散布量子生成层通常可以提升性能，且即使浅层量子电路也足以实现这些好处。

对未来临床的意义

对非专业读者而言，主要信息是：该研究提供了一种方法，通过让小型的量子启发核心来协调更大的经典模型，使医学 AI 更加精简且更智能。该混合训练方案不依赖于不断增大的网络或海量数据，而是能从稀缺的标注影像中挤出更多价值，尤其是在难以发现的肿瘤上。因为它仅在训练期间运行并且能在现有硬件上执行，所以可以在不更改医院设备的情况下融入现有的开发流程。如果将这种方法推广到肾脏之外的器官和其他癌症类型，像 HQC-TF 这样的方案有望推动可靠的自动勾画更快地走入放射治疗的日常临床，帮助临床医生提供更安全、更精确的治疗。

引用: Sun, Q., Chen, J., Fan, Y. et al. A Flexible Hybrid Quantum-classical Training Framework of Organ-at-Risk and Tumor Segmentation Models for Radiation Therapy Planning. Sci Rep 16, 9265 (2026). https://doi.org/10.1038/s41598-026-40127-z

关键词: 医学图像分割, 放射治疗, 量子机器学习, 深度学习, 肾脏肿瘤