구강암의 조기 발견은 임상적 결과를 현저히 개선하지만, 자원이 부족한 환경에서는 전문적인 진단 도구가 여전히 부족합니다. 스마트폰 기반 스크리닝은 확장 가능한 대안이지만, 에지 하드웨어 (edge-hardware) 제약 내에서 실행 가능한 경량 모델이 필요합니다. 하이브리드 고전-양자 (hybrid classical-quantum) 아키텍처는 매개변수 효율적인 학습을 위한 유망한 후보로 떠오르고 있으나, 대부분은 극저온 작동이 필요한 큐비트 (qubit) 하드웨어에 의존하므로 에지 배포에는 부적합합니다. 상온에서 작동하는 연속 변수 (Continuous-variable, CV) 광학 양자 컴퓨팅은 보완적인 경로를 제공합니다. 본 연구에서는 스마트폰 이미지로부터 구강암을 검출하기 위한 하이브리드 고전-CV 양자 분류기를 조사합니다. 파이프라인은 MobileNetV1 특징 추출기 (feature extractor), 16차원으로의 주성분 분석 (principal component analysis, PCA), 그리고 광학 백엔드 (photonic backend) 상에서 변위 (displacement), 간섭계 (interferometric), Kerr 게이트를 사용하는 매개변수화된 CV-QNN을 결합합니다. 우리는 Killoran et al. (2019a)의 표준 CV-QNN 레이어 대비 학습 가능한 매개변수를 40-45% 절감하는 단순화된 $Φ extcirc D extcirc U_1$ CV-QNN 아키텍처를 제안하며, 손실 기울기 (loss-gradient) 분산을 약 58배(orders of magnitude) 높여 바렌 플래토 (barren plateaus) 현상을 완화하는 차원 축소 및 인코딩 제한 전략을 식별합니다. 단순화된 레이어가 전체 레이어를 능가하는지 여부는 너비 (width)에 따라 다릅니다. 전체 레이어는 2개의 큐모드 (qumodes)에서 작지만 유의미한 우위를 점하는 반면, 단순화된 레이어는 4개의 큐모드를 사용할 때 44% 적은 매개변수를 사용하여 훨씬 더 나은 성능을 보입니다. 가장 강력한 모델인 단 18개의 매개변수만을 사용하는 4-큐모드 단순화된 CV-QNN은 모든 모델 중 가장 높은 검증 AUC를 달성하였으며, 55개의 매개변수를 사용하는 고전적 베이스라인 (classical baseline)을 67% 적은 매개변수로 능가하고, 모든 시드 (seed)에 대해 100%의 교정된 테스트 정확도 (calibrated test accuracy)에 도달했습니다. 이러한 결과는 매개변수 효율적이고 상온 작동이 가능한 의료 영상 분류를 위한 CV 광학 양자 머신러닝 (quantum machine learning)의 가능성을 뒷받침하며, 에지 양자 AI (edge quantum AI)를 향한 진전을 촉진합니다.