混合量子医疗模型有了双层解释：8维语义精确归因，噪声下剪掉CNOT还涨点
核心概要
混合量子—经典医疗模型能给出预测，却说不清决策来自哪些语义因素、哪些量子门。FQXAI把输入压到8维代理监督语义瓶颈，用高斯模糊隶属度生成IF–THEN理由，并在全部256个语义组合上精确计算Shapley值，省去蒙特卡洛采样。在MIT-BIH心律失常、PneumoniaMNIST与PathMNIST上，模型准确率分别为0.890、0.768、0.726；5%去极化噪声下按SVQX剪枝把CNOT从14降到11、12、10，准确率分别提高2.20、1.74、1.51个百分点。
深度剖析
混合量子—经典医疗模型现在可以同时给出语义层面的归因和电路门层面的归因，而不只是输出一个概率。 此前的量子可解释方法要么只做电路门分析，要么输出原始数值权重，缺少结构化的临床逻辑；经典SHAP类方法在高维特征空间通常依赖采样近似。 在MIT-BIH心律失常、PneumoniaMNIST和PathMNIST三个数据集上，混合FQXAI的准确率为0.890、0.768、0.726，与共享同一上游特征提取器的容量匹配经典MLP的0.888、0.761、0.721处于同一水平。
语义归因被压缩到一个8维瓶颈上完成，因此可以穷举而不是抽样。 8维语义空间只有2的8次方即256个特征组合，精确Shapley值可以全部算完，不需要蒙特卡洛采样带来的方差。 精确FQ-SHAP在三个数据集上的AUDC为0.780、0.786、0.423，其中AUDC越低表示删除排名靠前特征后模型置信度下降越快、归因越忠实。
电路层面的分析把每个CNOT门当作合作博弈的参与者，按负贡献挑出可剪枝的门。 SVQX在受控去极化噪声模型下用类别平衡的真标签概率作为联盟价值，贡献为负的CNOT被标记为剪枝候选，阈值固定为0。 在5%模拟去极化噪声下，SVQX引导的剪枝把CNOT数从14降到11、12、10，准确率分别提高2.20、1.74、1.51个百分点；同样剪掉相同数量CNOT的随机剪枝对照准确率为0.898、0.770、0.723。
启示与展望
演示范围限于三个公开数据集上的模拟：MIT-BIH心律失常的单拍二分类、PneumoniaMNIST的28×28灰度胸片、PathMNIST的九类结直肠组织图像，量子部分在PennyLane密度矩阵模拟器上以5%去极化信道运行。读者对象是关心量子模型可解释性与电路噪声分析的研究者与工程师。作者提出后续将噪声模型扩展到后端校准噪声与真实量子处理器执行，并引入专家标注的临床概念与评分者间一致性研究。
语义概念是程序化构造的代理目标，而非专家标注的临床概念，模糊标签描述的是学习到的概念空间区域。归因结果依赖参考基线，零语义基线与训练集均值基线的AUDC在三个数据集上分别为0.780对0.792、0.786对0.801、0.423对0.438。作者指出8量子比特是当前模拟器与近期硬件下语义容量与精确可解释性之间的折中。