[论文解读] Quantum associative memory for the diagnosis of some tropical diseases

J.-P. Tchapet Njafa, S. G. Nana Engo+1 more|arXiv (Cornell University)|Aug 30, 2013

Fractal and DNA sequence analysis参考文献 4被引用 3

一句话总结

本文提出了一种量子关联记忆（QAM）模型，用于辅助诊断四种热带疾病——疟疾、伤寒、黄热病和登革热——这些疾病具有重叠的症状。QAM采用Ventura提出的量子关联记忆算法的改进变体，基于症状的模式识别，在量子启发的框架下实现；仿真结果表明，尤其是应用相位翻转后，识别效率极高，即使在临床数据极少的资源匮乏环境中也能实现准确诊断。

ABSTRACT

In this paper we present a model of Quantum Associative Memory which can be a helpful tool for physicians without experience or laboratory facilities, for the diagnosis of four tropical diseases (malaria, typhoid fever, yellow fever and dengue) which have similar symptoms. The memory can distinguish single infection from multi-infection. The algorithm used for Quantum Associative Memory is an improve model of original algorithm made by Ventura for Quantum Associative Memory. From the simulation results given, it appears that the efficiency of recognition is good when a particular symptom of a disease with a similar symptoms are inserted.

研究动机与目标

• 开发一种决策支持工具，用于在实验室设施和经验丰富的医生稀缺的资源匮乏环境中，诊断具有重叠症状的热带疾病。
• 实现对四种主要热带疾病（疟疾、伤寒、黄热病和登革热）中单感染与多重感染的准确区分。
• 通过整合量子启发计算，扩展现有的基于人工神经网络的诊断模型，以提升模式识别和泛化能力。
• 提供一种用户友好的软件界面（QnnDiagnos），供临床医生输入症状并即时获得诊断建议。
• 通过在经典计算机上进行仿真，验证改进的QAM算法性能，评估在不同症状输入下的识别效率。

提出的方法

• QAM采用Ezhov和Ventura提出的量子关联记忆算法的增强版本，结合分布式查询，引入相位翻转和迭代扩散操作，以增强正确模式匹配的幅度。
• 系统使用10量子比特的量子寄存器：前6个量子比特编码临床症状，后4个量子比特表示疾病类别（疟疾、伤寒、黄热病、登革热）。
• 通过基于排除法的二进制叠加量子决策图（BSQDD）实现模式学习，编码已知的症状-疾病关联，同时排除无关模式。
• 算法通过一系列预言机和扩散算子，放大与输入症状相对应的正确疾病态的振幅，模拟在经典计算机上的量子搜索。
• 通过测量在多次振幅放大迭代后坍缩到正确疾病态的概率，计算识别效率。
• 开发了基于C++的软件原型QnnDiagnos，采用Qt4界面，使医生可通过按钮输入症状，并实时查看诊断结果。

实验结果

研究问题

• RQ1 基于最小数量的临床症状，量子启发的关联记忆模型能否准确诊断四种具有重叠症状的热带疾病？
• RQ2 在量子搜索算法中引入相位翻转如何影响QAM模型的识别效率？
• RQ3 QAM在多大程度上能够区分四种热带疾病的单感染与共感染（多重感染）？
• RQ4 当仅提供常见或非特异性症状（如发热、头痛）时，系统性能如何？与引入特异性症状相比有何差异？
• RQ5 QAM能否作为可靠且低成本的诊断辅助工具，应用于无实验室检测能力或缺乏经验医生的农村卫生中心？

主要发现

• 仿真结果表明，在振幅放大过程中应用相位翻转可显著提升QAM模型的识别效率。
• 即使仅输入一个症状，模型仍能实现高诊断准确率，尤其在结合常见症状（如发热、头痛、呕吐）时效果更佳。
• 系统能正确识别最可能的疾病，且识别效率最高，输出概率分布明显偏向正确疾病态。
• QAM能有效区分单感染与多重感染，仿真结果中不同疾病组合的显著概率峰清晰显示了这一点。
• 软件原型QnnDiagnos成功实现了QAM算法，具备用户友好的界面，支持实时症状输入与诊断结果输出。
• 仿真结果表明，当在常见症状基础上引入特异性症状（如黄热病的黄疸或登革热的血小板减少）时，识别准确率显著提高。