使用量子神经网络和变换器架构的多模态数据膀胱癌生存预测

这项研究对患者为何重要

膀胱癌常见且致死率较高，但医生仍然难以准确预测哪些患者在确诊和治疗后能有较好预后。本研究探索了一种新方法，通过结合三类医学数据与一种受量子物理启发的新兴计算方式来预测生存期。目标简单而有力：为临床提供更可靠的早期预警系统，以便针对每位患者定制治疗，而不是依赖笼统的平均值。

把多种对癌症的视角汇聚为一幅图景

现代癌症护理为每位患者产生大量信息：病历记录、基因检测结果以及肿瘤组织的高分辨率显微图像。每种数据都能从不同角度反映肿瘤的侵袭性。传统计算模型通常只关注一两类数据，或是简单地把它们的特征拼接在一起，而没有真正学习这些模态之间如何相互作用。作者认为，这会浪费隐藏在病历、基因与组织模式相互关系中的关键线索。他们的工作核心是构建一个能够同时理解这三类信息并学习哪些证据对生存预测最重要的系统。

一种量子与深度学习的新型混合体

团队提出了 QTMPN，这一框架将常规深度学习与受量子启发的网络结合起来。首先，他们清洗并压缩原始数据：从电子健康记录中移除噪声或无信息项，并将数以万计的基因测量值缩减为与膀胱癌相关的重点标记。对于千兆像素级的病理切片，他们将每张图像切分为许多小补丁，并通过一个强大的图像网络提取出紧凑的视觉特征。这些特征随后被输入到一个类量子模块，用类比量子比特及其纠缠关系的方式来表示信息。从实际角度看，该模块旨在保留在组织中可能被普通方法忽略的微妙模式，尤其是在图像极其细致的情况下。

教会模型如何加权并连接患者

在从临床记录、基因和图像中提取出特征后，QTMPN需要决定如何融合它们。作者使用变换器注意力机制——一种在语言模型中广泛采用的方法——让系统“环顾四周”，决定每种模态的哪些部分应最影响预测。在此基础上，他们构建了一个图式网络，其中每位患者被表示为一个节点，节点之间根据相似性建立连接。该图使模型能够从患者群体间的模式中学习，而不仅仅局限于单个患者的数据。通过将注意力机制与这种患者间链接网络相结合，系统可以强调在整个队列中强且一致的信号，同时抑制噪声或冲突的信息。

实际效果如何？

研究者在一个包含基因组数据、病理切片与临床记录的大型公共数据库中，对394名膀胱癌患者测试了 QTMPN。他们将该方法与几种使用较少数据类型或采用更传统神经网络的领先模型进行了比较。QTMPN对生存状态的预测准确率约为76%——明显高于先前在同一任务上约70%的最好结果。通过谨慎的“消融”测试（即替换或移除关键组件）表明，既有受量子启发的特征提取器，也有注意力+图融合模块，共同促成了性能提升。尤其是，量子模块增强了模型识别高死亡风险患者的能力，而这类患者尤其需要被早期识别。

这对未来癌症护理可能意味着什么

简而言之，这项研究表明，将类量子计算理念与先进深度学习相结合，可以从相同的医疗数据中挤出更多的预后价值。尽管该工作仍处于研究阶段——在模拟量子电路上运行并仅在单一公共数据集上测试——它指向了未来可能帮助肿瘤科医生更好分层膀胱癌患者、选择治疗方案并设计随访计划的决策工具。如果在更大、更多样化的人群中得到验证并为医院使用进行简化，像 QTMPN 这样的方案可能成为新一代多模态精准医疗系统的一部分，将复杂数据转化为对医生和患者更清晰的指导。

引用: Qin, Z., Zhou, H., Hu, Y. et al. Survival prediction for bladder cancer using multimodal data with quantum neural networks and transformer architectures. Sci Rep 16, 12545 (2026). https://doi.org/10.1038/s41598-026-42047-4

关键词: 膀胱癌预后, 多模态医疗人工智能, 量子神经网络, 病理图像分析, 变换器图模型