Sleep-Disordered Breathing Detection with Quantum Recurrent Neural Networks

Slaap is een staat van rust die de meeste mensen als vanzelfsprekend beschouwen, maar voor miljoenen mensen wordt deze onderbroken door een stille strijd: de ademhaling stopt of wordt gevaarlijk oppervlakkig. Deze conditie, bekend als slaapgerelateerde ademhalingsstoornissen, omvat episodes waarbij de luchtstroom volledig stopt of aanzienlijk afneemt, wat vaak leidt tot een daling van het bloedzuurstofgehalte. Het detecteren van deze gebeurtenissen is essentieel voor het diagnosticeren van ernstige gezondheidsrisico's, maar de huidige methode is een arbeidsintensief proces. Artsen moeten uren aan opnames van sensoren die aan het lichaam van een patiënt zijn bevestigd handmatig beoordelen, waarbij ze zoeken naar specifieke patronen in de luchtstroom en de verzadiging van zuurstof in het bloed. Deze taak is tijdrovend en gevoelig voor menselijke fouten, wat onderzoekers ertoe aanzet om hulp te zoeken bij computers. Jarenlang is standaard kunstmatige intelligentie getraind om deze patronen te herkennen, maar een nieuwe grens in de computertechnologie wordt nu getest om te zien of deze het werk beter kan doen, of in ieder geval met veel minder digitale ballast.

Deze nieuwe grens is quantum computing, een vakgebied dat gebruikmaakt van de vreemde regels van de subatomaire wereld om informatie te verwerken. In tegen tegenstelling tot de schakelaars in een standaardcomputer die aan of uit kunnen zijn, kunnen de basiseenheden van een quantumcomputer, genaamd qubits, zich in een staat bevinden van zowel aan als uit te zijn tegelijkertijd. Dit stelt hen in staat om vele mogelijkheden tegelijkertijd te verkennen. Wetenschappers vragen zich al lang af of deze machines efficiënter van data kunnen leren dan hun klassieke tegenhangers, vooral bij het werken met complexe sequenties zoals een hartslag of een ademhalingspatroon. Een team van onderzoekers in Spanje zette zich in om dit idee te testen door een specifiek type kunstmatige intelligentie te bouwen, een quantum recurrent neuraal netwerk. Ze ontwierpen dit systeem om te fungeren als een geheugen, dat een sequentie van ademhalingsdata moment voor moment verwerkt, terwijl het een verslag bijhoudt van wat eraan voorafging om het volledige verhaal van een nacht van een patiënt te begrijpen.

De onderzoekers namen echte medische opnames uit een grote publieke database van slaapstudies en braken deze af in kleine, beheersbare stukjes. Ze creëerden drie verschillende sets data om hun systeem te testen onder variërende omstandigheden. De eerste set was klein en bevatte slechts 300 voorbeelden van ademhalingspatronen, waarbij alleen het luchtstroomsignaal werd gebruikt. De tweede set was middelgroot met 600 voorbeelden en voegde een tweede signaal toe dat het zuurstofgehalte mat. De derde set was de grootste en moeilijkste, met 1.200 voorbeelden die zowel normale ademhaling als een subtieler type ademhalingsprobleem bevatten, genaamd hypopneu, wat moeilijker te onderscheiden is van normale slaap. Voor elk van deze scenario's trainden ze hun nieuwe quantummodel en vergeleken ze dit zij aan zij met een traditioneel computermodel dat dezelfde basisstructuur gebruikte maar draaide op standaard hardware.

De resultaten onthulden een verhaal dat sterk afhankelijk is van de hoeveelheid beschikbare data. Wanneer de onderzoekers de modellen slechts een kleine hoeveelheid informatie gaven om van te leren, blonk de quantumversie uit. Het identificeerde ademhalingsproblemen correct in 83 procent van de testgevallen, waarmee het de traditionele versie aanzienlijk versloeg, die slechts 69 procent bereikte. Dit suggereelt dat de quantumbenadering uitzonderlijk goed is in het vinden van patronen wanneer het niet kan vertrouwen op enorme hoeveelheden trainingsdata. Echter, naarmate de hoeveelheid data toenam, verschoof het voordeel. Op de middelgrote dataset presteerden beide modellen vergelijkbaar, waarbij het traditionele model een iets betere precisie vertoonde bij het identificeren van specifieke gebeurtenissen. Toen de onderzoekers overgingen naar de grootste en meest complexe dataset, die de lastige hypopneu-gebeurtenissen bevatte, nam het traditionele model de leiding en behaalde een hogere nauwkeurigheid over de hele linie.

Wat deze bevindingen bijzonder interessant maakt, is niet alleen de scores, maar ook de kosten om deze te bereiken. Het traditionele computermodel had duizenden instelbare instellingen nodig, bekend als parameters, om de patronen te leren. In contrast hiermee bereikte het quantummodel zijn resultaten met minder dan honderd parameters. Om dit in perspectief te plaatsen: het quantummodel deed het werk van een massief digitaal brein met slechts een fractie van de interne machinerie. Deze extreme efficiëntie suggereert dat quantumsystemen complexe taken kunnen leren zonder de enorme geheugen- en rekenkracht die standaardcomputers vereisen. Deze efficiëntie ging echter gepaard met een trade-off. Het quantummodel had veel langer nodig om te leren, waarbij honderden trainingscycli nodig waren om tot een oplossing te komen, terwijl het traditionele model zijn antwoord vaak al in slechts een paar tientallen cycli vond. Het quantummodel vertoonde ook meer variatie in zijn prestaties van de ene run naar de andere, wat aangeeft dat het nog iets minder stabiel is dan de volwassen technologie die het probeert uit te dagen.

De studie werd uitgevoerd met behulp van een hoogwaardige simulatie van een quantumcomputer, aangezien de werkelijke fysieke machines die vandaag de dag beschikbaar zijn nog te klein en te ruisachtig zijn om dergelijke complexe taken betrouwbaar uit te voeren. De onderzoekers erkennen dat hoewel hun quantummodel veel veelbelovend was, vooral in situaties met schaarse data, het nog geen afgewerkt product is dat klaar is voor een ziekenhuis. De weg vooruit houdt in dat deze modellen worden verfijnd om de ruis van echte quantumhardware te kunnen verwerken en om te onderzoeken of ze kunnen worden toegepast op andere soorten medische data. Het werk suggereert dat naarmate de quantumtechnologie volwassen wordt, het een krachtig, lichtgewicht alternatief kan bieden voor het analyseren van de ingewikkelde ritmes van het menselijk lichaam, wat de diagnose van slaapstoornissen potentieel sneller en toegankelijker maakt voor iedereen.