肾脏作为人体关键器官，其功能受损后果严重。慢性肾脏病(CKD)作为一种进行性疾病，因早期症状不明显，及时诊断成为临床难题。据统计，全球约有8.5亿人患有肾脏疾病，多达1000万人依赖透析或肾移植生存，凸显早期诊断慢性肾脏病的重要性。

为应对这一挑战，研究人员正探索利用人工智能和机器学习(ML)技术，开发自动化工具以提升慢性肾脏病检测效率与准确性。佛罗里达大西洋大学工程与计算机科学学院的研究进一步推进这一领域，探索量子计算如何增强机器学习驱动的慢性肾脏病诊断系统性能。资深作者Arslan Munir博士及其团队开发并比较了经典支持向量机(CSVM)和量子支持向量机(QSVM)两种自动化诊断系统。

研究团队首先对慢性肾脏病数据集进行预处理，确保结果可靠。随后，采用主成分分析(PCA)和奇异值分解(SVD)两种方法优化数据，降低噪声，提高计算效率。通过对比CSVM和QSVM在优化数据集上的表现，研究揭示了显著差异：结合PCA时，CSVM准确率高达98.75%，而QSVM仅为87.5%;使用SVD后，CSVM准确率为96.25%，QSVM则降至60%。经典SVM在速度上也远超QSVM，某些条件下快42倍。不过，穆尼尔强调，QSVM性能受限主要源于当前计算能力，而非量子算法潜力不足。混合量子-经典系统或成近期解决方案，结合两者优势，提升诊断精度。

“我们工作的独特在于同时应用经典与量子机器学习方法检测慢性肾病，”穆尼尔说，“通过直接比较，我们对技术现状及量子计算如何塑造医疗保健分析未来有了宝贵了解。”展望未来，研究团队计划拓展研究，探索其他量子机器学习算法，并在更大规模数据集上测试，优化特征选择技术，以创建更可靠、高效的AI驱动诊断工具。

更多信息： Muhammad Minoar Hossain 等人，《用于慢性肾脏病诊断的经典和量子支持向量机的性能分析》，《信息学与健康》(2025)。