CardiaQ: Quantenalgorithmen für die EKG-Diagnostik von morgen
Das Forschungsprojekt CardiaQ erforscht, wie Quantum Machine Learning auf Basis einer einzigartigen Kombination aus realen und hochpräzisen synthetischen EKG-Daten die Erkennung seltener Herzerkrankungen verbessern kann.

Seltene Herzerkrankungen mittels Quantenalgorithmen zuverlässig erkennen
Herz-Kreislauf-Erkrankungen sind weltweit die häufigste Todesursache: Rund jeder dritte Todesfall geht auf sie zurück. Das Elektrokardiogramm (EKG) ist das wichtigste nicht-invasive Diagnosewerkzeug der Kardiologie. Jedes Jahr werden weltweit mehr als 300 Millionen EKGs aufgezeichnet. Das Forschungsprojekt CardiaQ (Cardiac Analytics and Recognition using Deep Intelligence and Quantum algorithms) untersucht, wie Quantum Machine Learning (QML) die automatisierte Analyse von Mehrkanal-EKGs verbessern kann, vor allem bei seltenen und subtilen Herzerkrankungen. Gerade diese Krankheitsbilder sind besonders anspruchsvoll zu erkennen, da reale Daten dazu knapp sind. CardiaQ begegnet dieser Herausforderung auf zwei Ebenen: Hochpräzise synthetische EKGs aus patient*innenspezifischen Herzsimulationen erweitern die Datenbasis gezielt um seltene Pathologien. Gleichzeitig deuten erste Forschungsergebnisse darauf hin, dass QML-Modelle komplexe Muster besonders dateneffizient erlernen können. Diese Kombination soll die Erkennung seltener EKG-Anomalien auf ein neues Niveau heben.

CardiaQ: Quantenbasierte EKG-Diagnostik der Zukunft
Projektziele: Von der Herzsimulation zur quantenbasierten Diagnostik
- Realistische synthetische EKGs: Mittels einer gezielt weiterentwickelten elektrophysiologischen Herzsimulationssoftware entstehen mehr als 30 virtuelle Herz-Torso-Modelle gesunder und erkrankter Personen mit über fünf verschiedenen Pathologien. Ein Panel aus Kardiolog*innen bewertet die klinische Realitätsnähe. Der Anspruch ist hoch: Höchstens jedes zehnte synthetische EKG soll als solches erkennbar sein.
- Hybride Quanten-KI für heute: Es entstehen hybride Modelle, die klassisches Machine Learning mit Quantenalgorithmen verbinden und bereits auf heutigen Quantencomputern (NISQ) lauffähig sind. Das Spektrum reicht von neuronalen Netzen mit integrierten Quantenschichten über Quaternionen-basierte Modellarchitekturen bis zu Quantum Reservoir Computing.
- Quantenalgorithmen für morgen: Mit Blick auf künftige fehlertolerante Quantencomputer werden zudem neuartige lernfähige Quantenmodelle entwickelt. Sie basieren auf fortschrittlichen algorithmischen Bausteinen wie Quantum Linear Algebra, Quantum Hypercomplex Algebra, und Quantum Singular Value Transformation.
- Erklärbarkeit und Praxistest: Alle Quantenmodelle werden systematisch mit klassischen Deep-Learning-Modellen verglichen, um ihren Mehrwert objektiv zu bewerten. Besonderes Augenmerk liegt auf nachvollziehbaren, klinisch interpretierbaren Entscheidungen. Ausgewählte Modelle werden zudem auf realen Quantencomputern evaluiert.
Langfristige Vision: Österreichs Innovationskraft in Schlüsseltechnologien stärken
CardiaQ bringt führende Expert*innen aus Quantencomputing, künstlicher Intelligenz, Herzsimulation und klinischer Kardiologie zusammen. Diese interdisziplinäre Zusammenarbeit von RISC Software GmbH, JOANNEUM RESEARCH, Fraunhofer Austria, Medizinischer Universität Graz und NumeriCor GmbH stärkt die technologische Souveränität Österreichs in diesen entscheidenden Zukunftsfeldern. Langfristig legt das Projekt damit den Grundstein für eine neue Generation der EKG-Diagnostik.

Aufbauend auf erfolgreichen Vorprojekten
CardiaQ baut auf mehrjähriger Erfahrung der RISC Software GmbH an der Schnittstelle von KI, Quantencomputing und Medizin auf. Im Projekt QML4MED wurde das klinische Innovationspotenzial von Quantum Machine Learning untersucht, unter anderem anhand medizinischer Zeitreihensignale. Im Grundlagenprojekt QuditML werden QML-Ansätze auf Multi-Level-Quantensysteme erweitert. Erkenntnisse aus den Projekten AIMS und Heart, in denen EKG-Zeitreihen für die KI-gestützte Vorhersage von Verschlechterungen des Gesundheitszustands genutzt werden, fließen ebenfalls ein.
Dieses Projekt wird aus Mitteln der FFG gefördert (www.ffg.at). Die FFG ist die zentrale nationale Förderorganisation und stärkt Österreichs Innovationskraft.

Projektpartner*innen




Details zum Projekt
- Projekt-Kurztitel: CardiaQ
- Projekt-Langtitel: Cardiac Analytics and Recognition using Deep Intelligence and Quantum algorithms
- Projektpartner*innen:
- RISC Software GmbH (Konsortialführung)
- JOANNEUM RESEARCH Forschungsgesellschaft mbH
- Fraunhofer Austria
- Medizinische Universität Graz
- NumeriCor GmbH
- Fördercall: FFG Digitale Technologien 2025
- Budgetvolumen: 1,133.223 €
- Davon Förderung (gesamt): 945.947 €
- Laufzeit: 11/2026-10/2029 (36 Monate)
Ansprechperson
Projektleitung
DI Philipp Moser, PhD
Senior Researcher & Group Lead Quantum Computing