Sleep-Disordered Breathing Detection with Quantum Recurrent Neural Networks

Il sonno è uno stato di riposo che la maggior parte delle persone dà per scontato, eppure per milioni di persone esso è interrotto da una lotta silenziosa: il respiro si ferma o diventa pericolosamente superficiale. Questa condizione, nota come apnea notturna, include episodi in cui il flusso d'aria cessa completamente o diminuisce significativamente, portando spesso a un calo dei livelli di ossigeno nel sangue. Rilevare questi eventi è vitale per diagnosticare gravi rischi per la salute, ma l'attuale metodo è un processo laborioso. I medici devono esaminare manualmente ore di registrazioni provenienti da sensori applicati al corpo del paziente, cercando schemi specifici nel flusso d'aria e nella saturazione di ossigeno nel sangue. Questo compito è lungo e soggetto all'errore umano, spingendo i ricercatori a cercare aiuto dai computer. Per anni, l'intelligenza artificiale standard è stata addestrata per individuare questi schemi, ma una nuova frontiera dell'informatica viene ora testata per vedere se può svolgere il lavoro meglio, o almeno con un peso digitale molto minore.

Questa nuova frontiera è il calcolo quantistico, un campo che utilizza le strane regole del mondo subatomico per elaborare informazioni. A differenza degli interruttori in un computer standard che sono o accesi o spenti, le unità di base di un computer quantistico, chiamate qubit, possono esistere in uno stato di essere sia accesi che spenti contemporaneamente. Ciò consente loro di esplorare molte possibilità simultaneamente. Gli scienziati si sono spesso chiesti se queste macchine potessero imparare dai dati in modo più efficiente rispetto alle loro controparti classiche, specialmente quando si occupano di sequenze complesse come un battito cardiaco o un modello di respirazione. Un team di ricercatori in Spagna ha deciso di testare questa idea costruendo un tipo specifico di intelligenza artificiale chiamata rete neurale ricorrente quantistica. Hanno progettato questo sistema affinché agisse come una memoria, elaborando una sequenza di dati respiratori un momento alla volta, mantenendo al contempo un registro di ciò che era accaduto prima per comprendere la storia completa della notte di un paziente.

I ricercatori hanno preso registrazioni mediche reali da un grande database pubblico di studi sul sonno e le hanno suddivise in piccoli pezzi gestibili. Hanno creato tre diversi set di dati per testare il loro sistema in diverse condizioni. Il primo set era piccolo, contenente solo 3oni esempi di modelli di respirazione, utilizzando solo il segnale del flusso d'aria. Il secondo set era di medie dimensioni con 600 esempi, aggiungendo un secondo segnale che misurava i livelli di ossigeno. Il terzo era il più grande e difficile, con 1.200 esempi che includevano sia una respirazione normale che un tipo più sottile di difficoltà respiratoria chiamata ipopnea, che è più difficile da distinguere dal sonno normale. Per ciascuno di questi scenari, hanno addestrato il loro nuovo modello quantistico e lo hanno confrontato fianco a fianco con un modello informatico tradizionale che utilizzava la stessa struttura di base ma girava su hardware standard.

I risultati hanno rivelato una storia che dipende fortemente da quanta informazione è disponibile. Quando i ricercatori hanno fornito ai modelli solo una piccola quantità di informazioni da apprendere, la versione quantistica ha brillato. Ha identificato correttamente i problemi respiratori nell'83 percento dei casi di test, superando significativamente il modello tradizionale, che raggiungeva solo il 69 percento. Ciò suggerisce che l'approccio quantistico è eccezionalmente bravo a trovare schemi quando non può fare affidamento su enormi quantità di dati di addestramento. Tuttavia, man mano che la quantità di dati aumentava, il vantaggio cambiava. Sul dataset di medie dimensioni, entrambi i modelli si sono comportati in modo simile, con il modello tradizionale che mostrava una precisione leggermente migliore nell'identificare eventi specifici. Quando i ricercatori si sono spostati sul dataset più grande e complesso, che includeva i complicati eventi di ipopnea, il modello tradizionale ha preso la meglio, raggiungendo una precisione superiore in tutto il campo.

Ciò che rende questi risultati particolarmente interessanti non è solo il punteggio, ma il costo per ottenerli. Il modello informatico tradizionale richiedeva migliaia di impostazioni regolabili, note come parametri, per apprendere gli schemi. Al contrario, il modello quantistico ha ottenuto i suoi risultati con meno di cento parametri. Per mettere questo in prospettiva, il modello quantistico stava facendo il lavoro di un enorme cervello digitale usando una frazione minuscola della macchina interna. Questa estrema efficienza suggerisce che i sistemi quantistici potrebbero essere in grado di apprendere compiti complessi senza necessitare della enorme memoria e potenza di calcolo che i computer standard richiedono. Tuttavia, questa efficienza è arrivata con un compromesso. Il modello quantistico ha impiegato molto più tempo per imparare, richiedendo centinaia di cicli di addestramento per assestarsi su una soluzione, mentre il modello tradizionale trovava spesso la sua risposta in soli pochi decine di cicli. Il sistema quantistico ha anche mostrato una maggiore variazione nelle sue prestazioni da un'esecuzione all'altra, indicando che è ancora un po' meno stabile della tecnologia matura che sta cercando di sfidare.

Lo studio è stato condotto utilizzando una simulazione ad alta precisione di un computer quantistico, poiché le macchine fisiche reali disponibili oggi sono ancora troppo piccole e rumorose per eseguire compiti così complessi in modo affidabile. I ricercatori riconoscono che, sebbene il loro modello quantistico abbia mostrato grande potenziale, specialmente in situazioni di scarsità di dati, non è ancora un prodotto finito pronto per un ospedale. La strada da seguire prevede il perfezionamento di questi modelli per gestire il rumore dell'hardware quantistico reale ed esplorare se possano essere applicati ad altri tipi di dati medici. Il lavoro suggerisce che, man mano che la tecnologia quantistica matura, potrebbe offrire un'alternativa potente e leggera per analizzare gli intricati ritmi del corpo umano, rendendo potenzialmente la diagnosi dei disturbi del sonno più veloce e accessibile per tutti.