Sleep-Disordered Breathing Detection with Quantum Recurrent Neural Networks

Schlaf ist ein Zustand der Ruhe, den die meisten Menschen als selbstverständlich ansehen, doch für Millionen von Menschen wird er durch einen stillen Kampf unterbrochen: Der Atem stockt oder wird gefährlich flach. Dieser Zustand, bekannt als schlafbezogene Atmungsstörungen, umfasst Episoden, in denen der Luftstrom vollständig aufhört oder signifikant abnimmt, was oft zu einem Abfall des Blutsauerstoffgehalts führt. Die Erkennung dieser Ereignisse ist entscheidend für die Diagnose schwerwiegender Gesundheitsrisiken, doch die derzeitige Methode ist ein mühsamer Prozess. Ärzte müssen stundenlange Aufzeichnungen von Sensoren, die am Körper eines Patienten befestigt sind, manuell auswerten und dabei nach spezifischen Mustern im Luftstrom und der Sättigung des Sauerstoffs im Blut suchen. Diese Aufgabe ist zeitaufwendig und anfällig für menschliche Fehler, was Forscher dazu veranlasst, die Hilfe von Computern zu suchen. Seit Jahren wird die Standard-Künstliche-Intelligenz darauf trainiert, diese Muster zu erkennen, aber ein neues Feld der Computertechnik wird nun getestet, um zu sehen, ob es diese Aufgabe besser oder zumindest mit weitaus weniger digitalem Gewicht bewältigen kann.

Diese neue Grenze ist das Quantencomputing, ein Bereich, der die seltsamen Regeln der subatomaren Welt nutzt, um Informationen zu verarbeiten. Im Gegensatz zu den Schaltern in einem Standardcomputer, die entweder an oder aus sein können, können die Grundeinheiten eines Quantencomputers, die sogenannten Qubits, gleichzeitig in einem Zustand von sowohl „an“ als auch „aus“ existieren. Dies ermöglicht es ihnen, viele Möglichkeiten gleichzeitig zu erforschen. Wissenschaftler haben sich schon lange gefragt, ob diese Maschinen effizienter aus Daten lernen können als ihre klassischen Gegenstücke, insbesondere beim Umgang mit komplexen Sequenzen wie einem Herzschlag oder einem Atemmuster. Ein Forscherteam in Spanien unternahm den Versuch, diese Idee zu testen, indem es eine spezifische Art der Künstlichen Intelligenz baute, ein Quanten-Rekurrentes Neuronales Netz. Sie entwarfen dieses System so, dass es wie ein Gedächtnis fungiert, das eine Sequenz von Atemdaten Moment für Moment verarbeitet, während es gleichzeitig eine Aufzeichnung dessen führt, was zuvor geschah, um die vollständige Geschichte eines Patienten zu verstehen.

Die Forscher nahmen reale medizinische Aufzeichnungen aus einer großen öffentlichen Datenbank von Schlafstudien und unterteilten diese in kleine, handhabbare Stücke. Sie erstellten drei verschiedene Datensätze, um ihr System unter variierenden Bedingungen zu testen. Der erste Datensatz war klein, enthielt nur 300 Beispiele von Attermustern und nutzte lediglich das Luftstromsignal. Der zweite Datensatz war mittelgroß mit 600 Beispielen und fügte ein zweites Signal hinzu, das den Sauerstoffgehalt maß. Der dritte war der größte und schwierigste, mit 1.200 Beispielen, die sowohl normales Atmen als auch eine subtilere Art von Atembeschwerden, die sogenannte Hypopnoe, einschlossen, welche schwerer vom normalen Schlaf zu unterscheiden ist. Für jedes dieser Szenarien trainierten sie ihr neues Quantenmodell und verglichen es Seite an Seite mit einem traditionellen Computermodell, das dieselbe Grundstruktur nutzte, aber auf Standardhardware lief.

Die Ergebnisse zeigten eine Geschichte, die stark davon abhängt, wie viel Information zur Verfügung steht. Als die Forscher den Modellen nur eine kleine Menge an Informationen zum Lernen gaben, glänzte die Quantenversion. Sie identifizierte Atembeschwerden in 83 Prozent der Testfälle korrekt und übertraf damit das traditionelle Modell, das nur 69 Prozent erreichte. Dies deutet darauf hin, dass der Quantenansatz außergewöhnlich gut darin ist, Muster zu finden, wenn er sich nicht auf massive Mengen an Trainingsdaten verlassen kann. Mit zunehmender Datenmenge verschob sich jedoch der Vorteil. Beim mittelgroßen Datensatz zeigten beide Modelle eine ähnliche Leistung, wobei das traditionelle Modell eine etwas bessere Präzision bei der Identifizierung spezifischer Ereignisse aufwies. Als die Forscher zum größten und komplexesten Datensatz übergingen, der die kniffligen Hypopnoe-Ereignisse beinhaltete, übernahm das traditionelle Modell die Führung und erreichte in allen Bereichen eine höhere Genauigkeit.

Was diese Ergebnisse besonders interessant macht, ist nicht nur die Punktzahl, sondern die Kosten, um diese zu erreichen. Das traditionelle Computermodell benötigte Tausende von einstellbaren Parametern, um die Muster zu lernen. Im Gegensatz dazu erreichte das Quantenmodell seine Ergebnisse mit weniger als einhundert Parametern. Um dies in Perspektive zu setzen: Das Quantenmodell leistete die Arbeit eines massiven digitalen Gehirns mit nur einem winzigen Bruchteil der internen Mechanik. Diese extreme Effizienz deutet darauf hin, dass Quantensysteme komplexe Aufgaben lernen können, ohne den riesigen Speicher- und Rechenaufwand zu benötigen, den Standardcomputer fordern. Diese Effizienz ging jedoch mit einem Kompromiss einher. Das Quantenmodell benötigte viel länger zum Lernen und brauchte hunderte von Trainingszyklen, um eine Lösung zu finden, während das traditionelle Modell seine Antwort oft in nur wenigen Dutzend Zyklen fand. Das Quantensystem zeigte auch eine größere Variation in seiner Leistung von einem Durchlauf zum nächsten, was darauf hindeutet, dass es noch etwas weniger stabil ist als die ausgereifte Technologie, die es herauszufordern versucht.

Die Studie wurde mithilfe einer hochpräzisen Simulation eines Quantencomputers durchgeführt, da die tatsächlich verfügbaren physischen Maschinen heute noch zu klein und zu verrauscht sind, um solch komplexe Aufgaben zuverlässig auszuführen. Die Forscher räumen ein, dass ihr Quantenmodell zwar großes Potenzial zeigt, insbesondere in Situationen mit Datenknappheit, aber noch kein fertiges Produkt für ein Krankenhaus ist. Der Weg nach vorn besteht darin, diese Modelle zu verfeinern, damit sie das Rauschen realer Quantenhardware bewältigen können, und zu untersuchen, ob sie auch auf andere Arten von medizinischen Daten angewendet werden können. Die Arbeit legt nahe, dass die Quantentechnologie, sobald sie reift, eine leistungsstarke, leichtgewichtige Alternative für die Analyse der komplizierten Rhythmen des menschlichen Körpers bieten könnte, was die Diagnose von Schlafstörungen potenziell schneller und für alle zugänglicher machen würde.