量子健康科學 ：量子神經網路分類臨床應用

量子神經網路能不能替醫師判讀 X 光或眼底影像？目前已有研究把量子電路接進影像分類模型，也在公開醫學影像資料集上測試；但這些結果仍屬研究驗證，不能解讀成醫院已能用量子電腦診斷。先看懂影像如何進入量子模型，再看數據和臨床之間還隔著哪些關卡，會比較接近這項技術的現況。

照片提供：星球永續健康團隊

一、量子神經網路如何分類影像？

量子神經網路會先把影像轉成數值特徵，再編碼進量子狀態，由量子電路運算並透過測量產生分類結果。實際研究通常先以傳統電腦整理或縮減影像資料，採用量子與古典電腦協作的混合架構。

醫學影像動輒包含大量像素，現有量子處理器可用的量子位元、電路規模與穩定度有限，通常無法直接把完整高解析度影像送進電路。以 Landman 等人的研究為例，研究者先用主成分分析（PCA）把影像濃縮為 4 或 8 個特徵，再交給量子輔助神經網路（qNN）或量子正交神經網路（QOrthoNN）分類。古典神經網路仍負責部分資料處理與模型訓練，量子電路只執行特定運算。

照片提供：星球永續健康團隊

這裡的「量子神經元」是借用神經網路的比喻，並非模擬人腦神經細胞。模型把輸入特徵與學到的權重編碼為量子狀態，透過量子閘操作，再重複測量結果，估計相似度或輸出分類機率。量子位元數增加時，狀態空間的表示方式會改變，但不代表只靠少數量子位元就能免費讀取大量影像資訊，資料編碼與測量成本仍須計入。

二、肺炎與眼底影像研究證明了什麼？

目前研究顯示，量子模型能在經過簡化的醫學影像分類任務中運作，部分測試結果接近古典神經網路；現有證據還不足以證明它整體優於傳統方法，更未證明能改善臨床診斷。

MedMNIST 是供研究比較使用的標準化資料集，收錄不同影像模態的二維與三維子集。Landman 團隊使用其中的 PneumoniaMNIST 胸部 X 光，以及 RetinaMNIST 眼底影像進行分類，並比較古典模型、量子模擬器與 IBM 量子硬體的結果。研究報告指出，肺炎任務中量子模型與古典模型的準確度相近；較困難的視網膜任務則更容易受到硬體雜訊影響。研究使用的是縮小、降維後的資料，結果反映特定資料集和實驗設定，不能直接推廣到其他醫院、設備或病人族群。

照片提供：星球永續健康團隊

Landman 等人的研究摘要指出，這些醫學影像分類實驗中，量子神經網路與古典神經網路呈現相近的準確度；研究也將成果定位為量子方法在更好的硬體條件下可能用於視覺任務的研究方向。

三、走進臨床前還要補哪些證據？

要進入臨床，模型必須在多院所、不同設備與真實病人資料上接受外部驗證，並證明效能穩定、錯誤可控且能融入醫療流程。公開資料集上的分類分數只是前期測試，不能代替這些驗證。

一張影像被判為「正常」或「疑似肺炎」，不只看整體準確率，也要知道漏掉病灶的比例、誤報造成的後續檢查、不同年齡與族群的表現，以及模型遇到設備或資料來源改變時是否失準。量子電路的測量具有機率性，硬體雜訊也可能改變輸出；重複測量和錯誤修正會增加時間與運算成本。若只把分類結果當作急診檢傷或治療依據，卻未經臨床驗證，可能讓病人承受延誤或不必要處置的風險。

2025 年一篇系統性回顧檢視量子機器學習在數位健康的研究，納入的合格研究中，僅少數在量子硬體或含雜訊模擬下評估；整體比較沒有呈現支持量子方法具實證效益的一致趨勢。這表示值得追蹤的是可重現的比較：研究者有沒有公開資料處理方式、與合適的古典模型公平對照，並在獨立資料上重測。讀者聽到量子 AI 的醫療應用時，可以先問「在哪個資料集測試？是否做過外部驗證？」而不是只看量子運算的名詞或單一準確率。

• 量子神經網路已進行醫學影像分類研究，常見流程包含影像降維、量子電路運算與測量。
• 既有肺炎與視網膜影像結果接近古典模型，屬於特定資料集的研究成果，不能當成臨床效能證明。
• 評估醫療應用時，還要看外部驗證、錯誤風險、硬體雜訊、運算成本與醫療流程整合。

常見問題

Q1：量子神經網路是模仿人腦嗎？

不是。名稱借用了神經網路的計算架構，實際上是用量子電路編碼特徵、執行運算，再以測量取得輸出。

Q2：量子電腦能直接讀取完整 X 光嗎？

目前相關研究多先縮小影像或降維，將特徵轉成量子電路可處理的輸入；高解析度影像的資料編碼仍是挑戰。

Q3：量子模型的準確率已經勝過傳統 AI 嗎？

不能一概而論。Landman 團隊的特定實驗中，量子模型與古典模型表現相近，較複雜任務還會受量子硬體雜訊影響。

Q4：MedMNIST 的分類結果代表能診斷病人嗎？

不代表。MedMNIST 是標準化研究基準，不能代替真實臨床資料、外部驗證與醫療法規審查。

Q5：患者目前需要使用量子影像 AI 嗎？

現有研究仍在探索階段，不能據此取代醫療專業判斷。就醫與影像判讀應依合格醫療人員的評估。