Die Nieren sind ein lebenswichtiges Organ, und Funktionsstörungen haben schwerwiegende Folgen. Chronische Nierenerkrankungen (CKD) stellen als fortschreitende Erkrankung aufgrund ihrer oft subtilen Frühsymptome eine klinische Herausforderung dar. Schätzungsweise 850 Millionen Menschen weltweit leiden an Nierenerkrankungen, und bis zu 10 Millionen sind auf Dialyse oder eine Nierentransplantation angewiesen, um zu überleben. Dies unterstreicht die Bedeutung der Früherkennung chronischer Nierenerkrankungen.
Um dieser Herausforderung zu begegnen, erforschen Wissenschaftler den Einsatz von künstlicher Intelligenz und maschinellem Lernen (ML) zur Entwicklung automatisierter Werkzeuge, die die Effizienz und Genauigkeit der Diagnose chronischer Nierenerkrankungen (CKD) verbessern. Forschungen des College of Engineering and Computer Science der Florida Atlantic University treiben dieses Feld weiter voran und untersuchen, wie Quantencomputing die Leistung von ML-gestützten CKD-Diagnosesystemen steigern kann. Der Seniorautor Dr. Arslan Munir und sein Team entwickelten und verglichen zwei automatisierte Diagnosesysteme: eine klassische Support-Vector-Machine (CSVM) und eine Quanten-Support-Vector-Machine (QSVM).
Das Forschungsteam bereitete zunächst den Datensatz zu chronischer Nierenerkrankung vor, um die Zuverlässigkeit der Ergebnisse zu gewährleisten. Anschließend optimierten sie die Daten mithilfe von Hauptkomponentenanalyse (PCA) und Singulärwertzerlegung (SVD), um Rauschen zu reduzieren und die Recheneffizienz zu verbessern. Der Vergleich der Leistung von CSVM und QSVM auf dem optimierten Datensatz zeigte signifikante Unterschiede: In Kombination mit PCA erreichte CSVM eine Genauigkeit von 98,75 %, während QSVM nur 87,5 % erzielte. Nach Anwendung von SVD erreichte CSVM eine Genauigkeit von 96,25 %, während QSVM auf 60 % sank. Klassische SVM war QSVM auch hinsichtlich der Geschwindigkeit deutlich überlegen und unter bestimmten Bedingungen bis zu 42-mal schneller. Munir betonte jedoch, dass die Leistungsgrenzen von QSVM hauptsächlich auf die aktuelle Rechenleistung und nicht auf das unzureichende Potenzial von Quantenalgorithmen zurückzuführen sind. Hybride quantenklassische Systeme könnten eine kurzfristige Lösung darstellen, indem sie die Vorteile beider Ansätze kombinieren, um die diagnostische Genauigkeit zu verbessern.
„Das Besondere an unserer Arbeit ist, dass wir klassische und Quanten-Methoden des maschinellen Lernens gleichzeitig anwenden, um chronische Nierenerkrankungen zu erkennen“, sagte Munir. „Durch den direkten Vergleich haben wir wertvolle Einblicke in den aktuellen Stand der Technik gewonnen und erfahren, wie Quantencomputing die Zukunft der Gesundheitsanalytik prägt.“ Das Forschungsteam plant, seine Forschung auszuweiten, weitere Quanten-Algorithmen des maschinellen Lernens zu untersuchen und diese anhand größerer Datensätze zu testen, um die Merkmalsauswahl zu optimieren und so zuverlässigere und effizientere KI-gestützte Diagnosewerkzeuge zu entwickeln.
Weitere Informationen: Muhammad Minoar Hossain et al., Performance analysis of classical and quantum support vector machines for the diagnosis of chronic kidney disease, Informatics and Health (2025).
