摘要
人工智能对生物医学科学从学术研究到临床应用产生了巨大影响，如生物标志物的检测和诊断、治疗优化以及在药物研发中发现新的治疗靶点。然而，当代人工智能技术，特别是深度机器学习，已经严重受到“不可解释性”的困扰，这可能无法控制地导致错误的预测。对于临床诊断，“可解释性”尤为重要，因为患者由此须获得必要的安全感和信任。 在这项工作中，我们提出了一种张量网络机器学习方法，通过筛选呼出气体中的挥发性有机化合物的拉曼光谱数据，可以可靠地预测患者的肺癌病情。挥发性有机化合物一般适合作为生物标志物，被认为是无创肺癌筛查的理想方式。本文所提方法是基于呼吸样本映射到量子希尔伯特空间的相互距离，其优势是利用张量网络机器学习模型的“量子”概率诠释，可定量地描述预测的确定性。在这种方法中，高确定性样本的预测准确性几乎是100％,而预测错误的样本表现出明显较低的确定性，因此可以被识别为异常样本，这些异常样本将由人类专家处理，以保证预测的高可靠性。我们的张量网络机器学习方法将从传统的“不可解释”的机器学习方案转变为“可解释”的人机互动方法，以达到高准确性和高可靠性，从而为“生物医学人工智能”领域范式性的转变提供新的思路。
NETL