O CESGA xunta forzas co CITIC para combater con IA e computación cuántica os transtornos do sono

O CITIC engadiu novos colaboradores para o desenvolvemento de proxectos que busquen a aplicación da Intelixencia Artificial e a computación cuántica a diferentes áreas da vida cotiá. En concreto, o centro de investigación da UDC estableceu sinerxías co Centro de Supercomputación de Galicia (CESGA) para colaborar no proxecto Algoritmos de Aprendizaxe Automática de Nova Xeración para a Análise de Rexistros Médicos do Sono (NEXT-GEN-SOMNUS). O obxectivo do proxecto é buscar solucións TIC máis eficientes no estudo de trastornos do sono, unha problemática que segundo lembra o CITIC, “afecta hoxe en día a máis de catro millóns de persoas en España, segundo datos da Sociedade Española de Neuroloxía.
A iniciativa, 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), 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 auto-atención, a colaboración de expertos humanos no proceso de aprendizaxe e a inclusión da computación cuántica”. A través destes, segundo explica Mosqueira, “preténdese desenvolver solucións máis eficientes e explicables para o diagnóstico de trastornos do sono”.
A colaboración co CESGA, engade o investigador, “consiste en utilizar o modelo cuántico de predición de series temporais desenvolvido polo Centro de Supercomputación, adaptalo para o tipo de sinais que usamos nós na medicina do sono, e adecualo debidamente para realizar tarefas de clasificación de fases do sono e detección de diferentes eventos de relevancia para o diagnóstico. 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 está instalado no CESGA”.
Os trastornos do sono afectan a gran parte da poboación. Segundo a estatística que manexa a Sociedade Española de Neuroloxía, máis de catro millóns de persoas en España, 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 asistido por computadora ofrece claras vantaxes en termos de importantes aforros de tempo e custos xerais asociados ao diagnóstico. Con todo, o CITIC recorda que as solucións propostas ata o de agora limítanse a realizacións parciais, ad hoc e presentan problemas de xeneralización. Pola súa parte, as técnicas de Intelixencia Artificial de aprendizaxe profunda de primeira xeración como redes convolucionais (CNN) ou recorrentes (RNN) “son apropiadas para a detección e clasificación dun só obxecto (por exemplo, imaxes), pero non son óptimas 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, explica o CITIC, que fai saber que neste escenario, o proxecto NEXT-GEN-SOMNUS do CITIC da UDC 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 auto-atención para tratar de obter mellores resultados na detección e clasificación de eventos”. Así, búscase “incluír técnicas human-in-the-loop para tentar introducir 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 entrelazamiento que permitan levar aos 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”.