A neighbour selection approach for identifying differential networks in conditional functional graphical models

=== BORRADOR ===
Aquí se presenta un resumen técnico detallado del artículo "A neighbour selection approach for identifying differential networks in conditional functional graphical models".

Planteamiento del problema

El artículo aborda el desafío de estimar y comparar redes de conectividad funcional cerebral derivadas de datos de electroencefalografía (EEG). Específicamente, busca cuantificar cómo las dependencias condicionales entre diferentes regiones cerebrales (representadas como funciones aleatorias multivariantes) varían en relación con covariables externas, tales como la edad, el estado clínico o la severidad de una enfermedad.

Los métodos existentes para modelos gráficos funcionales suelen asumir una estructura de red estática en todas las muestras o están limitados a manejar únicamente un único covariable binario (por ejemplo, comparar dos grupos distintos). Además, muchos enfoques tienen dificultades con entornos de alta dimensión, la eficiencia computacional o la capacidad de estimar simultáneamente una red de población base y redes diferenciales específicas mientras se caracteriza la dirección del cambio en la fuerza de interacción. Los autores señalan que las técnicas estadísticas rigurosas para estimar robustamente estas estructuras de dependencia condicional y sus variaciones siguen siendo un tema abierto en entornos clínicos.

Metodología

Los autores proponen un nuevo enfoque de selección de vecinos totalmente automatizado y basado en datos, fundamentado en modelos gráficos funcionales gaussianos y regresión función-sobre-función (fof). El núcleo de la metodología involucra los siguientes pasos:

1. Marco estadístico:

   • El problema se modela utilizando un Proceso Gaussiano Multivariante (MGP) donde los nodos representan sensores de EEG (funciones) y las aristas representan dependencias condicionales.
   • Los autores introducen un modelo gráfico funcional condicional donde la estructura del grafo $G(x)$ depende de un vector de covariables $X$.
   • En lugar de estimar la matriz de precisión completa, el método formula la identificación de vecinos para cada nodo $j$ como un problema de regresión función-sobre-función (fof). Los coeficientes de regresión $\beta_{j,k}(t, t')$ se modelan para depender linealmente de las covariables:
     $$\beta_{j,k}(t, t') = \beta^0_{j,k}(t, t') + \sum_{c=1}^q \beta^c_{j,k}(t, t') X_c$$
   • Aquí, $\beta^0$ representa la red base (a nivel de población) y $\beta^c$ captura la red diferencial asociada con la $c$-ésima covariable.

2. Reducción de dimensionalidad y aproximación:

   • Para hacer tratable la regresión fof de dimensión infinita, las funciones observadas se proyectan sobre una base ortonormal específica de cada nodo (determinada mediante el Análisis de Componentes Principales Funcionales, FPCA).
   • Esto transforma el modelo fof en un problema de regresión lineal vector-sobre-vector (vov) de dimensión finita que involucra puntuaciones de proyección.

3. Estimación mediante mínimos cuadrados penalizados:

   • Las matrices de coeficientes de regresión se estiman mediante un enfoque de mínimos cuadrados penalizados con group-lasso. Esto induce escasez (sparsity) a nivel de bloque (es decir, las aristas completas se seleccionan o se eliminan).
   • La optimización se resuelve utilizando el Método de Multiplicadores de Dirección Alternante (ADMM).
   • Los hiperparámetros (fuerza de regularización y umbrales) se seleccionan automáticamente mediante validación cruzada selectiva (SCV) con una penalización de tipo BIC.

4. Construcción e interpretación de la red:

   • Red de la población ($G_0$): Derivada de los coeficientes base $\beta^0$.
   • Redes diferenciales ($G_c$): Derivadas de los coeficientes $\beta^c$, identificando aristas donde la asociación condicional varía con la covariable $X_c$.
   • Simetrización: Dado que la selección de vecinos se realiza de forma independiente para cada nodo, el conjunto de aristas no dirigidas final se recupera utilizando reglas de simetrización OR (O) o AND (Y).
   • Dirección del cambio: Una característica única del método es el cálculo de una Tasa de Variación (VR). Al comparar la norma del bloque de coeficiente base con la suma de los bloques base y diferencial, el método determina si una interacción se fortalece ($VR > 1$) o se atenúa ($VR < 1$) a medida que aumenta el valor de la covariable.

Contribuciones clave

• Marco unificado para covariables continuas y categóricas: A diferencia de los métodos anteriores que a menudo manejan solo comparaciones de grupos binarios, este enfoque puede incorporar simultáneamente cualquier número de covariables continuas y categóricas.
• Descomposición explícita: El método separa explícitamente la estimación en una red a nivel de población y redes diferenciales específicas de la covariable dentro de un único problema de optimización, en lugar de estimar grafos separados y restarlos.
• Interpretabilidad de la fuerza de interacción: El enfoque proporciona un mecanismo para evaluar directamente si la fuerza de una interacción estimada aumenta o disminuye con una covariable, ofreciendo más información clínica que la mera detección de aristas.
• Escalabilidad: Al estimar la estructura del grafo fila por fila (nodo por nodo), el método evita definir una matriz de precisión completa, lo que lo hace computacionalmente eficiente y escalable a entornos de alta dimensión (gran número de regiones cerebrales).

Resultados

Los autores evaluaron el método mediante extensos estudios de simulación y una aplicación a datos reales de EEG relacionados con el trastorno por consumo de alcohol.

• Estudio de simulación:

  • El método se comparó con FuDGE (Estimación de Gráficos Diferenciales Funcionales) y tres bases de joint graphical-lasso (FGL, FFGL, FFGL2).
  • En varios escenarios (variando tamaños de muestra, conteos de nodos y estructuras de red), el método propuesto demostró un rendimiento superior o comparable en la recuperación de redes diferenciales, particularmente en entornos de alta dimensión.
  • El método alcanzó puntuaciones F1 elevadas (superando el 0.75 para redes diferenciales y acercándose al 0.9 para redes de población) cuando los tamaños de muestra eran suficientes (específicamente, cuando el tamaño de muestra del grupo $n/2 \geq 150$, o $n/2 \geq 200$ para el caso donde el número de nodos $p=50$).
  • Se encontró que la estrategia de simetrización OR era superior a la estrategia AND para la recuperación de redes diferenciales.

• Aplicación a datos reales:

  • Aplicado a un conjunto de datos de EEG públicos (Ingber 1997; Zhang et al. 1995) que distingue entre consumidores de alcohol y controles sanos.
  • El método identificó con éxito patrones de conectividad distintos y demostró ventajas en costo computacional y precisión de estimación en comparación con enfoques existentes.

Significancia y afirmaciones

El artículo afirma que su marco propuesto ofrece un enfoque con principios para estudiar cómo las estructuras de dependencia cerebral varían con factores clínicos y demográficos. Los autores enfatizan que su método:

1. Supera las limitaciones actuales en el análisis estadístico de la conectividad de EEG al manejar múltiples covariables heterogéneas simultáneamente.
2. Proporciona resultados interpretables, permitiendo a los investigadores evaluar directamente la dirección del cambio (fortalecimiento vs. debilitamiento) en las conexiones cerebrales en relación con las covariables.
3. Reduce el costo computacional, haciéndolo adecuado para datos funcionales de alta dimensión donde otros métodos basados en operadores pueden ser ineficientes.
4. Es general y aplicable a una amplia gama de entornos más allá del EEG, siempre que los datos puedan modelarse como procesos gaussianos multivariantes.

Los autores concluyen que, si bien el uso de la conectividad funcional de EEG en entornos clínicos sigue siendo limitado, su técnica estadística rigurosa proporciona una herramienta robusta para identificar marcadores oportunos de trastornos mediante la caracterización de la variación en las estructuras de dependencia condicional. Se proporciona una implementación de código abierto del método para facilitar la investigación posterior.