Latent-Space Causal Discovery from Indirect Neuroimaging Observations

ملخص تقني: الاكتشاف السببي في الفضاء الكامن من ملاحظات التصوير العصبي غير المباشرة

بيان المشكلة

لا ترصد وسائط التصوير العصبي، مثل تخطيط كهربائية الدماغ (EEG) والرنين المغناطيسي الوظيفي (fMRI)، المتغيرات العصبية السببية بشكل مباشر. بدلاً من ذلك، هي تلتقط إشارات غير مباشرة مشوهة بواسطة مؤثرات أمامية خاصة بكل وسيط: حيث يتم خلط إشارات الـ EEG مكانياً عبر التوصيل الحجمي (leadfield)، بينما يتم تشويه إشارات الـ fMRI زمنياً بواسطة دالة الاستجابة الهيموديناميكية (HRF). وبناءً عليه، فإن التبعيات الإحصائية المرصودة في فضاء المستشعرات أو البكسلات (voxels) لا تعكس بالضرورة التأثير السببي العصبي الكامن. وتواجه الطرق الحالية مقايضة: فنماذج النمذجة السببية الديناميكية (DCM) تدمج الواقعية البيوفيزيائية ولكنها تفتقر إلى القابلية للتوسع، بينما تتوسع طرق فضاء الملاحظة (مثل سببية غرانجر، وVAR) بشكل جيد ولكنها تظل حساسة للخلط والترشيح الهيموديناميكي، وغالباً ما تفشل في استعادة البنية الموجهة الحقيقية.

التحدي الجوهري الذي يعالجه البحث هو: تحت أي افتراضات يمكن تحديد رسم بياني موجه ومتأخر للنشاط العصبي الكامن من ملاحظات غير مباشرة ومشوهة فيزيائياً، وكيف يمكن تحقيق ذلك على نطاق واسع؟

المنهجية: INCAMA

يقترح المؤلفون إطار عمل INCAMA (INdirect CAusal MAmba)، وهو إطار عمل متكامل (end-to-end) يربط بين الانعكاس المدرك للفيزياء والاكتشاف السببي في الفضاء الكامن. يتبع الهيكل المعماري مساراً من مرحلتين:

1. المرحلة الأولى: الانعكاس المدرك للفيزياء (Physics-Aware Inversion)
   يتعلم النموذج خريطة عكسية منتظمة $g_\theta$ لاستعادة المسارات العصبية الكامنة $\hat{z}_{1:T}$ من الملاحظات $x_{1:T}$. ومن الأهمية بمكان أن هذه المرحلة مقيدة بالفيزياء الأمامية المعروفة $H_\psi$:

• بالنسبة لـ EEG: يتعلم النموذج عكس خلط الـ leadfield ($x_t \approx L_\psi z_t$)، مما يؤدي فعلياً إلى تحديد مصادر الإشارة (مستوحى من DeepSIF) لتفكيك المصادر المكانية المختلطة.
• بالنسبة لـ fMRI: يقوم النموذج بتقدير النشاط العصبي الكامن ومعلمات الـ HRF الخاصة بكل منطقة بشكل مشترك لفك تشفير إشارة الـ BOLD ($x_t \approx H_\psi * z_t$)، مما يخفف من التداخلات الهيموديناميكية.
  يتم تدريب عملية الانعكاس لضمان أن المسارات المعاد بناؤها هي إشارات عصبية ذات معنى فيزيائي، وليست مجرد تمثيلات (embeddings) عامة.

2. المرحلة الثانية: الاكتشاف السببي في الفضاء الكامن
   بمجرد استعادة المسارات الكامنة، يستخدم النموذج هيكل Mamba (نموذج حالة انتقائية - Selective State Space Model) لإجراء اكتشاف سببي مدرك للتأخير.

• الآلية: يستفيد النموذج من عدم الاستقرار (nonstationarity) (تغير قوة الاقتران مع الزمن) كتباين معلوماتي لتحديد الاتجاهات السببية، وهو مفهوم مستند إلى نظرية الآليات السببية المستقلة (ICM).
• البنية المعمارية: يقوم مشفر Mamba مشترك بمعالجة السلاسل الزمنية لمناطق الاهتمام (ROIs). ويتم نمذجة التفاعلات الموجهة عبر نوى خطية متعددة التأخير (تأخيرات قصيرة، متوسطة، وطويلة) لالتقاط تأخيرات الانتقال.
• التناثر (Sparsification): تفرض آلية اختيار (top-$k$) التناثر البيولوجي، حيث تحتفظ بأقوى الحواف لتشكيل الرسم البياني الموجه النهائي $\hat{G}$.

يتم تدريب المسار بأكمله بشكل متكامل على محاكاة بيوفيزيائية (The Virtual Brain, TVB)، مما يسمح للهدف السببي بتشكيل مرحلة الانعكاس لإنتاج تمثيلات مثالية للقابلية لتحديد الرسم البياني.

المساهمات النظرية

يصيغ البحث الشروط التي يكون فيها الاكتشاف السببي ممكناً من الملاحظات غير المباشرة:

• القابلية للتعريف الشرطي (Conditional Identifiability): يثبت المؤلفون أنه إذا كانت المسارات الكامنة قابلة للاستعادة باستمرار من الملاحظات غير المباشرة (الافتراض 4.4) وكانت الديناميكيات الكامنة تظهر تحولات في الآليات غير المستقرة (الافتراض 4.3)، فإن الرسم البياني المتأخر $G$ يكون قابلاً للتعريف من توزيع الملاحظة $P(x_{1:T})$. وهذا يمثل اختزالاً لتعريف الفضاء الكامن (Huang et al., 2019) إلى حالة الملاحظة غير المباشرة.
• حد انتشار الخطأ (Error Propagation Bound): تثبت نتيجة نظرية رئيسية (Proposition 4.7) أن الخطأ في استعادة الرسم البياني محدود بخطأ الانعكاس. وتحديداً، إذا كان إجراء الانعكاس متسقاً، فإن المقدر المتكامل (end-to-end estimator) يكون متسقاً أيضاً. يوفر هذا ضماناً نظرياً بأن الأخطاء المحدودة في إعادة بناء الحالات الكامنة تؤدي إلى أخطاء محدودة في الرسم البياني السببي المقدر.

النتائج التجريبية

يستخدم التقييم بيانات محاكاة محكومة ذات حقيقة أرضية (ground truth) ونقلاً صفري المعرفة (zero-shot transfer) إلى بيانات بشرية حقيقية.

• البيانات المحاكات (TVB):

  • EEG: يتفوق INCAMA بشكل كبير على النماذج المرجعية (MNE/sLORETA + Granger/VAR, DeepSIF + TCN/GNN) في استعادة البنية الموجهة. حيث يحقق درجة F1 تبلغ 0.643 مقارنة بـ ~0.16–0.21 للنماذج المرجعية، مما يثبت أن الانعكاس المشترك المدرك للفيزياء أمر بالغ الأهمية للتغلب على التوصيل الحجمي.
  • fMRI: يحقق INCAMA درجة F1 تبلغ 0.610، وهي أعلى بكثير من rDCM (0.258) والطرق الخطية القائمة على فك التشفير. كما يظهر كفاءة حسابية فائقة، حيث يعمل عند ~5 GFLOPs مقارنة بـ ~100 GFLOPs لنموذج rDCM.
  • المتانة: يظهر النموذج تراجعاً تدريجياً تحت ظروف الخطأ في توصيف الفيزياء (مثل تغيير مقياس HRF بنسبة ±20% أو ضجيج الـ leadfield)، حيث انخفضت درجة F1 بأقل من 0.002 أو 5.1% على التوالي، مما يؤكد أنه يتعلم بنية سببية قابلة للنقل بدلاً من حفظ فيزياء المحاكي.

• البيانات الحقيقية (HCP Motor Task):

  • عند تطبيقه بنقل صفري المعرفة على 1,079 شخصاً من مشروع Human Connectome Project (HCP)، ينتج INCAMA تقديرات موجهة متناثرة تتركز في المسارات البصرية-الحركية المعيارية (مثل V1→V2, PM→M1).
  • على الرغم من أن الدقة المطلقة منخفضة (0.022) بسبب مساحة البحث الواسعة والمحركات تحت القشرية غير المنمذجة، إلا أن النموذج يحقق استدعاءً (recall) عالياً (0.610) للحواف المعيارية، متفوقاً بشكل كبير على نماذج فضاء الملاحظة (FIR + Granger: F1 ~0.005). يشير هذا إلى أن الدرجات المتعلمة تلتقط الاتساق التشريحي المرتبط بالمهمة.

الأهمية والادعاءات

يضع البحث INCAMA كمسار قابل للتوسع لاستنتاج الاتصال الموجه للدماغ بأكل عبر نمذجة تشويه القياس صراحةً بدلاً من معاملته كضجيج.

• الادعاء الرئيسي: يوضح العمل أن عدم الاستقرار (nonstationarity) يمكن أن يعمل كإشارة تعريف للاتجاه السببي حتى في وجود تشوهات شديدة في الملاحظة غير المباشرة، بشرما كان الانعكاس مدركاً للفيزياء.
• القيود: يذكر المؤلفون صراحةً أن الرسم البياني المستعاد يمثل الاتصال القشري الفعال المشروط بالتأثيرات تحت القشرية (بما أن الهياكل تحت القشرية مستبعدة من أطلس الـ 68-ROI). كما أن التحقق من البيانات الحقيقية غير مباشر (بناءً على الاتساق التشريحي/الشبكي للمهمة) نظراً لعدم توفر اتصال سببي حقيقي في البشر.
• الأثر: يجسّر إطار العمل الفجوة بين الواقعية البيوفيزيائية والقابلية للتوسع، مما يقدم طريقة متجذرة نظرياً في شروط التعريف وقوية تجريبياً تجاه التشوهات المحددة لـ EEG و fMRI.