HIMCE: High-dimensional multiple imputation via covariance-mode updating for neuroimaging and spatiotemporal blocks

ملخص تقني: HIMCE – التضمين متعدد الأبعاد عالي الرتبة عبر تحديث نمط التباين

بيان المشكلة
تُظهر بيانات التصوير العصبي والبيانات الزمكانية عالية الأبعاد تكراراً في حالات الفقدان المهيكلة الناتجة عن عيوب الاستحواذ، أو فشل المعالجة المسبقة، أو انقطاع المستشعرات. وبينما يُعد التضمين المتعدد (MI) هو النهج القياسي للتعامل مع هذه البيانات من خلال نشر عدم اليقين، تواجه الطرق الحالية تحديات كبيرة في الكتل المستمرة عالية الأبعاد ($p \gg n$ أو $p \approx n$):

• التوصيف الشرطي الكامل (FCS): تعتمد طرق مثل "التضمين المتعدد عبر المعادلات المتسلسلة" (MICE) على نماذج شرطية متكررة. وفي الأبعاد العالية، تؤدي الارتباطات الخطية القوية إلى نماذج انحدار سيئة التحديد، مما يسبب عدم استقرار عددي، أو بطء في التقارب، أو الفشل، وهو ما يستلزم غالباً إجراء فحص صارم للمتغيرات المستقلة.
• نهج النماذج المشتركة (MVN): بينما يوفر نموذج العمل متعدد المتغيرات الطبيعي (MVN) هدفاً متسقاً للتنبؤ البعدي وتدعيم بيانات دقيق، فإن العينات العشوائية القياسية تتطلب أخذ عينات متكررة من توزيع "إنفيرس-ويشارت" (inverse-Wishart) وعمليات تحليل المصفوفات لمصفوفة التباين $p \times p$. تصبح هذه الخطوات مكلفة حاسوبياً وحساسة عددياً في الأبعاد الكبيرة.

المنهجية: HIMCE
يقترح المؤلفون التضمين عالي الأبعاد عبر نمط التباين والمعادلات المتسلسلة (HIMCE)، وهو إجراء تضمين متعدد هجين مصمم للكتل المستمرة. يعمل HIMCE كتقريب عشوائي مدفوع بالبعدي الخلفي، حيث يوازن بين الكفاءة الحسابية والصلاحية الإحصائية.

1. إطار النموذج:

   • يفترض نموذج كتلة غاوسي: $Y | B, \Sigma \sim MN_{n \times p}(XB, I_n, \Sigma)$.
   • يستخدم توزيع "ماتريكس-نورمال إنفيرس-ويشارت" (Matrix-Normal Inverse-Wishart) مترافق.
   • يحافظ على قانون التضمين الغاوسي الشرطي للقيم المفقودة بناءً على المعلمات الحالية.

2. التقسيم بين الحفاظ والتقريب:

   • المحفوظ: نموذج العمل الغاوسي، والقانون الغاوسي الشرطي لأنماط الفقدان، والنشر العشوائي لعدم يقين معاملات المتوسط (عبر سحب المعاملات العشوائية أو "الريدج" المحلي).
   • المُقرب: عدم اليقين البعدي لمصفوفة التباين $\Sigma$. بدلاً من سحب مصفوفات "إنفيرس-ويشارت" كاملة، يقوم HIMCE بتحديث التباين إلى نمط مستقر (stabilized mode).

3. المكونات الخوارزمية:

   • تحديث نمط التباين: في الكتل عالية الأبعاد، تستبدل الخوارزمية عمليات سحب "إنفيرس-ويشارت" العشوائية بتحديث حتمي لنمط التباين البعدي (تحديداً مُقدر HIMA)، مع إمكانية تعزيزه بجسر قياسي أحادي البعد لإدخال قدر محدود من العشوائية.
   • في الأبعاد المنخفضة: عندما يكون بُعد الكتلة صغيراً، تستعيد الخوارزمية عملية سحب "إنفيرس-ويشارت" الشرطية الدقيقة لضمان دقة عدم يقين التباين.
   • تحديثات المتوسط: تستبدل التحديثات الحتمية بسحبات عشوائية (matrix-normal دقيق أو "ريدج" محلي قابل للتوسع) لنشر عدم اليقين في معاملات الانحدار.
   • المعايرة: يتضمن طبقة معالجة لاحقة خفيفة تتعلم تعديلات المركز والمقياس من الخلايا المرصودة (وليس الحقائق المحجوبة) لتحسين تغطية العينة النهائية دون تغيير السلسلة الأساسية.

4. التشخيصات:
   يؤكد البحث على أهمية تشخيصات المعايرة الصارمة فوق مجرد التنبؤ بنقاط القيمة، باستخدام:

   • اختبار رتبة الخلية العشوائي (Randomized Rank-Cell PIT): لتقييم انتظام التوزيع التنبئي واكتشاف التشتت الزائد أو الناقص.
   • التغطية التجريبية المتسقة مع PIT: يتم حسابها من نفس دالة التوزيع التراكمي التنبئي التجريبي المستخدم لـ PIT لضمان الاتساق بين المقاييس القائمة على الرتبة والمقاييس القائمة على الفترات.
   • تراكبات التوزيع الهامشي: لمقارنة السحبات المجمعة والمتوسطات البعدية مقابل الحقائق المحجوبة.

النتائج الرئيسية
يقيم البحث HIMCE مقابل HIMA (خط الأساس لنمط التباين الحتمي) وMICE المفلتر باستخدام معيارين:

1. معيار التصوير العصبي المكاني ($p=40, n=80$):

   • الدقة: يحسن HIMCE خطأ المتوسط البعدي (RMSE/MAE) بشكل كبير مقارنة بـ HIMA، ويتفوق قليلاً على MICE المفلتر.
   • السرعة: يعمل HIMCE بسرعات مماثلة لـ HIMA وفي أقل من نصف الوقت الذي يستغرقه MICE المفلتر.
   • المعايرة: يحسن HIMCE التغطية الفترية وانتظام PIT بشكل كبير مقارنة بـ HIMA (على سبيل المثال، تحسنت تغطية 95% من ~0.77 إلى ~0.88). ومع ذلك، يظل MICE المفلتر أفضل معايرة بشكل عام (تغطية 95% تصل إلى ~0.97).
   • التفسير: يعمل HIMCE كـ "حل وسط سريع"، حيث يستعيد معظم مزايا التنبؤ بالنقطة التي توفرها طرق نمط التباين، مع تحسين المعايرة بشكل مادي، رغم أنه لا يطابق تماماً معايرة MICE في هذا الإعداد المكاني المحدد.

2. معيار NHANES منخفض الأبعاد ($p=2$):

   • في هذا الإعداد منخفض الأبعاد، ينتقل HIMCE إلى تحديث "إنفيرس-ويشارت" الدقيق.
   • يحقق هذا الفرع تحسناً هائلاً في التغطية (ارتفاع تغطية 95% من ~0.60 لـ HIMA إلى ~0.91 لـ HIMCE) مع الحفاظ على تنافسية التنبؤ بالنقطة ووقت التشغيل.

الأهمية والادعاءات
يضع البحث HIMCE ليس كعينة دقيقة للاحتمال المشترك في فرعه عالي الأبعاد، بل كتقريب عشوائي مدفوع بالبعدي.

• المساهمة النظرية: يثبت المؤلفون اتساق البعدي ثابت الأبعاد لنمط "إنفيرس-ويشارت" المترافق، ويوضحون أن التوزيع التنبئي لنمط الإضافة يكافئ تقاربياً التوزيع التنبئي البعدي الدقيق في التباين الكلي.
• المساهمة العملية: يوفر HIMCE بديلاً قابلاً للتطبيق للتصوير العصبي عالي الأبعاد حيث تكون طرق FCS غير مستقرة، بينما تكون عملية أخذ العينات المشتركة الدقيقة بطيئة جداً. إنه يفصل صراحةً بين الحفاظ على الهيكل الغاوسي وتقريب عدم يقين التباين.
• التواضع: يقر المؤلفون بأن هيكل التباين القائم على "الإمبيريكال-بايس" (Empirical-Bayes) المستخدم في التجارب هو خيار تنفيذي في الأبعاد العالية، وأن كفاية العينة النهائية هي مسألة تجريبية. ويؤكدون أن معايرة القيم المفقودة الزائفة وفحوصات الشكل الهامشي هي مكونات ضرورية لـ "الاستخدام المسؤول"، وليست مجرد إضافات اختيارية، خاصة عندما يكون عدد عمليات التضمين المخزنة معتدلاً.

يخلص العمل إلى أن HIMCE يوفر حلاً عملياً وقابلاً للتوسع للبيانات ذات الفقدان المهيكل في الكتل الزمكانية، مما يسد الفجوة بين سرعة التقريبات الحتمية والدقة الإحصائية للتضمين العشوائي.