Computación cuántica e intelixencia artificial. Eses son os dous principais ingredientes dun novo proxecto do Centro de Investigación en TIC (CITIC) da Universidade da Coruña (UDC) en colaboración co Centro de Supercomputación de Galicia (Cesga). O obxectivo é buscar solucións máis eficientes para estudar os trastornos do sono que hoxe en día afectan a máis de catro millóns de persoas en España, segundo datos da Sociedade Española de Neuroloxía.
A iniciativa está dirixida a mellorar a análise dos rexistros médicos do sono mediante o uso de diversos algoritmos de aprendizaxe automática de nova xeración, baseados en mecanismos de autoatención, a colaboración de expertos humanos no proceso de aprendizaxe e a inclusión da computación cuántica. “Preténdese desenvolver solucións máis eficientes e explicables para o diagnóstico de trastornos do soño”, indica o investigador do CITIC Eduardo Mosquera Rey.
“A colaboración consiste en utilizar o modelo cuántico de predición de series temporais desenvolvido polo Cesga, adaptalo para o tipo de sinais que usamos nós na medicina do sono, e adecualo debidamente para realizar tarefas de clasificación de fases e detección de diferentes eventos de relevancia para o diagnóstico”, indica o científico. Mosquera continúa: “O modelo adaptado utilizaríase con datos reais da medicina do sono dos que dispoñemos e probaríase tanto nos simuladores cuánticos como no computador cuántico real que están instalados no Cesga”.
Acelerar o diagnóstico para unha maior eficiencia clínica
Segundo a estatística que manexa a Sociedade Española de Neuroloxía, máis de catro millóns de persoas, e máis en detalle, o 48% da poboación adulta e o 25% da infantil, non ten un sono de calidade. Os procedementos de diagnóstico asociados á revisión manual da proba polisomnográfica estándar (PSG) son complexos e custosos, o que fai que os centros clínicos ter dificultades para satisfacer a crecente demanda destes exames.
A análise de PSG asistida por computadora ofrece claras vantaxes en termos de importantes aforros de tempo e custos xerais asociados ao diagnóstico. Con todo, as solucións propostas ata o de agora limítanse a realizacións parciais, ad hoc e presentan problemas de xeneralización.
As técnicas de intelixencia artificial de aprendizaxe profunda de primeira xeración como redes convolucionais (CNNs) ou recorrentes (RNNs) son apropiadas para a detección e clasificación dun só obxecto (por exemplo, imaxes), pero non son óptimos nas situacións máis complexas que requiren a identificación de múltiples obxectos individuais. Ademais, compórtanse como “caixas negras”, o que repercute negativamente na súa aceptabilidade por parte do clínico, impedindo un aproveitamento responsable das súas decisións.
Técnicas de aprendizaxe automática de próxima xeración
Neste escenario, o proxecto NEXT-GEN-SOMNUS do CITIC persegue investigar a aplicabilidade das técnicas de aprendizaxe automática de próxima xeración ao problema da análise de rexistros médicos de sono que superen as limitacións dos modelos de primeira xeración. Por iso, tal e como expón Mosqueira Rey, propoñen mellorar a eficiencia dos algoritmos expondo a integración de mecanismos novos de autoatención para tratar de obter mellores resultados na detección e clasificación de eventos.
Doutra banda, incluír técnicas human-in-the-loop para tentar incluír coñecemento experto humano nos devanditos algoritmos, que permitan mellorar tanto o seu rendemento como as súas capacidades de explicabilidade. E, ademais, incluír tarefas de aprendizaxe automática-cuántica facendo uso de procesos como a superposición, a interferencia e o entrelazamento que permitan levar os algoritmos de aprendizaxe automática a outro nivel e maximizar así as vantaxes destas ferramentas TIC para o diagnóstico, estudo e seguimento clínico posterior dos trastornos do sono”.
A inicitiva está coordinada polos equipos de Eduardo Mosqueira Rey e Diego Álvarez Estévez do CITIC no marco da convocatoria de ‘Proxectos de Xeración de Coñecemento 2023’, financiado polo Ministerio de Ciencia, Innovación e Universidades, a Axencia Estatal de Investigación e polo Fondo Europeo de Desenvolvemento Rexional (FEDER),
