量子機器學習跨足心臟疾病預測　美國佛羅里達大西洋大學研究準確率突破九成

心血管疾病長期是全球重大健康威脅之一，每年造成數百萬人死亡，也為醫療體系帶來沉重負擔。如何更早、更準確辨識疾病風險，進而協助醫師及時介入治療，是醫療科技持續關注的重要課題。美國佛羅里達大西洋大學（Florida Atlantic University, FAU）研究團隊近日將量子運算導入醫療資料分析，開發一套量子機器學習（Quantum Machine Learning, QML）架構，用於心臟疾病預測，最佳模型準確率達90.26%，展現量子科技應用於智慧醫療的潛力。

這項研究由FAU工程與電腦科學學院（College of Engineering and Computer Science）電機工程與電腦科學系教授Arslan Munir領導。Munir同時擔任智慧系統、電腦架構、分析與安全實驗室（Intelligent Systems, Computer Architecture, Analytics, and Security Laboratory, ISCAAS）主任。研究成果發表於MDPI旗下《AI》期刊。

系統比較多種量子模型　尋找最佳心臟疾病預測方法

傳統機器學習近年已廣泛應用於疾病風險預測，但面對具有高度複雜性與非線性關係的臨床資料時，模型仍可能面臨分析與辨識上的限制。FAU研究團隊因此進一步探討，量子運算特有的資料表示與分類方式，是否能為醫療資料分析提供新的解決途徑。

研究團隊採用918名患者的臨床資料，系統性評估5種量子特徵映射（quantum feature mapping）方法，以及4種量子機器學習分類器，比較不同組合在心臟疾病診斷預測上的表現。

結果顯示，以角度編碼（Angle Encoding）搭配量子支援向量機（Quantum Support Vector Machine, QSVM）的模型表現最佳，預測準確率達90.26%，敏感度（sensitivity）為92.16%、特異度（specificity）為83.42%，ROC曲線下面積（AUC）則達0.93。

研究結果顯示，透過適當設計量子特徵映射及較淺層的量子電路，有機會在兼顧運算效率的情況下，提升複雜臨床資料的疾病預測能力。

量子運算結合AI　開拓智慧醫療新方向

Munir表示，這項研究顯示量子機器學習有潛力成為醫療資料分析的新方法。藉由量子特徵表示及量子增強分類器，可以更有效地描述臨床資料中複雜的關聯性，進而提升心臟疾病預測能力。

他指出，隨著量子科技逐步成熟，未來可能進一步應用於疾病診斷、個人化治療以及臨床決策支援等領域。

FAU工程與電腦科學學院院長Stella Batalama表示，這項成果展現量子運算在醫療與醫學領域日益受到重視的應用潛力。FAU近年持續投入量子運算基礎設施，而工程與電腦科學學院也同步強化師資及研究能量。Munir團隊的研究正是量子運算、人工智慧與醫療跨領域整合的案例，也反映FAU持續發展量子研究與教育的布局。

從研究走向應用　量子醫療成新興研究領域

這項研究由Munir主持的ISCAAS實驗室執行。除智慧醫療外，該實驗室亦持續探索量子科技在資安、智慧基礎設施、自主系統及科學運算等領域的實際應用。

相關成果也呼應FAU近年擴大量子運算生態系的發展方向，包括量子運算基礎設施、產業合作，以及培育下一世代運算科技人才等。

目前全球政府、產業與研究機構正持續增加量子科技投資，而醫療被視為值得關注的潛在應用領域之一。隨著醫療資料規模及複雜程度不斷增加，量子增強型分析方法未來可能協助醫師處理複雜資料、提早辨識疾病風險，並為個人化治療規劃提供新的分析工具。

Munir指出，量子運算正逐步從理論研究走向實際創新，而醫療可能是量子機器學習具有重要影響力的應用方向之一。此次研究提供初步證據，顯示量子方法已能在特定醫療資料分析任務中取得具競爭力的預測結果，也為未來結合下一世代量子科技的臨床應用研究奠定基礎。

資料來源: FAU | FAU Researchers Develop Quantum Framework to Predict Heart Disease