El CITIC impulsa la innovación en el diagnóstico de trastornos del sueño con IA y computación cuántica

El Centro de Investigación en Tecnologías de la Información y las Comunicaciones (CITIC) suma aliados en el desarrollo de proyectos que busquen la aplicación de la inteligencia artificial y la computación cuántica a diferentes áreas de la vida cotidiana. En concreto, el centro de investigación de la UDC ha establecido sinergias con el Centro de Supercomputación de Galicia (CESGA) para colaborar en el proyecto Algoritmos de Aprendizaje Automático de Nueva Generación para el Análisis de Registros Médicos del Sueño (NEXT-GEN-SOMNUS). El objetivo del proyecto es buscar soluciones TIC más eficientes en el estudio de trastornos del sueño, una problemática que afecta, hoy en día, a más de cuatro millones de personas en España, según datos de la Sociedad Española de Neurología.

La iniciativa, coordinada por los equipos de Eduardo Mosqueira Rey y Diego Álvarez Estévez, del CITIC, en el marco de la convocatoria de `Proyectos de Generación de Conocimiento 2023', financiado por el Ministerio de Ciencia, Innovación y Universidades, la Agencia Estatal de Investigación y por el Fondo Europeo de Desarrollo Regional (FEDER), está dirigida a mejorar el análisis de los registros médicos del sueño mediante el uso de diversos algoritmos de aprendizaje automático de nueva generación, basados en mecanismos de auto-atención, la colaboración de expertos humanos en el proceso de aprendizaje y la inclusión de la computación cuántica. A través de estos, según explica Mosqueira, "se pretende desarrollar soluciones más eficientes y explicables para el diagnóstico de trastornos del sueño".

La colaboración con el CESGA, añade el investigador, "consiste en utilizar el modelo cuántico de predicción de series temporales desarrollado por el CESGA, adaptarlo para el tipo de señales que usamos nosotros en la medicina del sueño, y adecuarlo debidamente para realizar tareas de clasificación de fases del sueño y detección de diferentes eventos de relevancia para el diagnóstico. El modelo adaptado se utilizaría con datos reales de la medicina del sueño de los que disponemos y se probaría tanto en los simuladores cuánticos como en el ordenador cuántico real que está instalado en el CESGA".

Acelerar el diagnóstico para una mayor eficiencia clínica 

Los trastornos del sueño afectan a gran parte de la población. Según la estadística que maneja la Sociedad Española de Neurología, más de cuatro millones de personas en nuestro país, y más en detalle, el 48% de la población adulta y el 25% de la infantil, no tiene un sueño de calidad. Los procedimientos de diagnóstico asociados a la revisión manual de la prueba polisomnográfica estándar (PSG) son complejos y costosos, lo que hace que los centros clínicos tengan dificultades para satisfacer la creciente demanda de estos exámenes.

El análisis de PSG asistido por computadora ofrece claras ventajas en términos de importantes ahorros de tiempo y costes generales asociados al diagnóstico. Sin embargo, las soluciones propuestas hasta ahora se limitan a realizaciones parciales, ad hoc y presentan problemas de generalización. Las técnicas de inteligencia artificial de aprendizaje profundo de primera generación como redes convolucionales (CNNs) o recurrentes (RNNs) son apropiadas para la detección y clasificación de un solo objeto (por ejemplo, imágenes), pero no son óptimos en las situaciones más complejas que requieren la identificación de múltiples objetos individuales. Además, se comportan como "cajas negras", lo que repercute negativamente en su aceptabilidad por parte del clínico, impidiendo un aprovechamiento responsable de sus decisiones.

En este escenario, el proyecto NEXT-GEN-SOMNUS del CITIC de la UDC persigue investigar la aplicabilidad de las técnicas de aprendizaje automático de próxima generación al problema del análisis de registros médicos de sueño que superen las limitaciones de los modelos de primera generación. Por eso, tal y como expone Mosqueira Rey, proponen "mejorar la eficiencia de los algoritmos planteando la integración de mecanismos novedosos de auto-atención para tratar de obtener mejores resultados en la detección y clasificación de eventos. Por otro lado, incluir técnicas human-in-the-loop para intentar introducir conocimiento experto humano en dichos algoritmos, que permitan mejorar tanto su rendimiento como sus capacidades de explicabilidad. Y, además, incluir tareas de aprendizaje automático-cuántico haciendo uso de procesos como la superposición, la interferencia y el entrelazamiento que permitan llevar a los algoritmos de aprendizaje automático a otro nivel y maximizar así las ventajas de estas herramientas TIC para el diagnóstico, estudio y seguimiento clínico posterior de los trastornos del sueño".