一种基于量子优化的乳腺癌检测方法，使用SqueezeNet-SVM

乳腺癌是最具侵袭性的癌症类型之一，早期诊断对降低死亡率和确保及时治疗至关重要。计算机辅助诊断系统提供自动化的乳腺X光图像处理、解读和分级。然而，现有方法存在过拟合、缺乏适应性以及依赖大量注释数据集等问题，因此本研究提出了一种混合方法，以提高乳腺癌的分类准确性。所提出的Q-BGWO-SQSVM方法利用改进的启发式量子二元灰狼优化器，结合SqueezeNet和支持向量机，展现出复杂的性能。SqueezeNet的火模块和复杂的旁路机制从乳腺X光图像中提取出独特特征。然后，这些特征通过Q-BGWO进行优化，以确定最佳支持向量机参数。由于当前的CAD系统更加可靠、准确和敏感，其在医疗保健中的应用具有优势。所提出的Q-BGWO-SQSVM在多个数据库上进行了评估：MIAS、INbreast、DDSM和CBIS-DDSM，分析其在准确性、敏感性、特异性、精度、F1得分和MCC方面的表现。值得注意的是，在CBIS-DDSM数据集上，Q-BGWO-SQSVM在15次交叉验证中达到了99%的准确率、98%的敏感性和100%的特异性。最后，可以观察到所设计的Q-BGWO-SQSVM模型性能卓越，其在其他数据集和成像条件下的潜在实现前景可期。这种新颖的Q-BGWO-SQSVM模型超越了最先进的分类方法，提供准确可靠的早期乳腺癌检测，这对进一步的医疗保健发展至关重要.