Inference on the Significance of Modalities in Multimodal Generalized Linear Models

Resumen Técnico: Inferencia sobre la Significancia de las Modalidades en Modelos Lineales Generalizados Multimodales

Planteamiento del Problema
Los datos multimodales, que integran información de múltiples fuentes (por ejemplo, RM, PET, TC o multiómica), son cada vez más frecuentes en campos como la investigación biomédica y la inteligencia artificial. Si bien los modelos multimodales fusionados suelen superar a los modelos unimodales en predicción, existe una brecha crítica en la inferencia estadística rigurosa: no existen herramientas establecidas para cuantificar la significancia de una única modalidad dentro de un modelo multimodal de alta dimensión. Los métodos de inferencia de alta dimensión existentes (por ejemplo, LASSO desesgado, pruebas de puntuación decorrelacionadas) están diseñados para probar coeficientes de covariables individuales o sus combinaciones lineales. No pueden evaluar directamente la contribución de una modalidad completa porque la contribución de una modalidad depende no solo de la magnitud de sus coeficientes, sino también de parámetros poblacionales complejos, como las correlaciones entre modalidades. Además, las métricas clásicas de bondad de ajuste (por ejemplo, $R^2$, pseudo-$R^2$) cuantifican la contribución de todas las variables colectivamente, no de las modalidades individuales.

Metodología
Los autores proponen un marco para Modelos Lineales Generalizados Multimodales (MGLM) donde la respuesta $y$ depende de un vector concatenado de variables $x = (x_1^T, \dots, x_M^T)^T$ provenientes de $M$ modalidades.

1. Definición de la Métrica (Entropía Relativa Esperada - ERE):
   Los autores introducen una métrica, $H_m$, para cuantificar la ganancia de información de la $m$-ésima modalidad dado las demás. Esto se define como el doble de la divergencia de Kullback-Leibler (KL) esperada entre el modelo completo (usando todas las modalidades) y un modelo "oráculo" reducido (usando todas las modalidades excepto la $m$-ésima):
   $$H_m = 2E_x [D_{KL}(p(y|x) \parallel p(y|x_{-m}))]$$
   donde $x_{-m}$ representa el subvector de predictores excluyendo la $m$-ésima modalidad. El artículo demuestra que $H_m$ es no negativa y monótona. Para casos específicos (por ejemplo, regresión lineal), $H_m$ tiene una expresión de forma cerrada que involucra coeficientes y estructuras de covarianza. Para funciones de enlace no lineales (logística, Poisson), se define mediante la esperanza del cociente de verosimilitud. Los autores muestran que las métricas convencionales de bondad de ajuste son casos especiales de esta ERE cuando todas las covariables se tratan como una sola modalidad.

2. Procedimiento de Estimación:
   Para estimar $H_m$ en entornos de alta dimensión ($p \gg n$), los autores proponen un estimador basado en la desviación de dos pasos:

   • Paso 1 (Tamizaje): Se aplica un procedimiento de Tamizaje de Independencia Segura (SIS, por sus siglas en inglés) para reducir el espacio ultra-alta dimensional a una dimensión moderada. Las variables se clasifican según sus contribuciones marginales de verosimilitud, y se selecciona un umbral $\gamma_n$ (vía minimización de BIC) para asegurar que el conjunto tamizado contenga el soporte real con alta probabilidad.
   • Paso 2 (Penalización Parcial): Se realiza una estimación de máxima verosimilitud parcialmente penalizada.
     • Para el modelo completo, las variables en el conjunto tamizado que están fuera de la $m$-ésima modalidad son penalizadas (usando una penalización de forma cóncava plegada como SCAD), mientras que las variables dentro de la $m$-ésima modalidad se dejan sin penalizar para evitar sesgos.
     • Para el modelo reducido, se utiliza el mismo procedimiento, pero las variables en la $m$-ésima modalidad se fuerzan a tener coeficientes de cero.
       El estimador $\hat{H}_m$ se calcula como la diferencia normalizada de la desviación entre el modelo completo y el reducido.

3. Inferencia Teórica:
   Los autores establecen las propiedades asintóticas de $\hat{H}_m$:

   • Consistencia: $\hat{H}_m$ es consistente para $H_m$ con un error de orden $O_P(\max\{s n^{-1} \log n, n^{-1/2}\})$.
   • Distribución Asintótica: Bajo condiciones de regularidad (incluyendo la sub-gaussianidad de las covariables y tasas específicas para los parámetros de ajuste), $n\hat{H}_m$ converge a una distribución chi-cuadrado no central ($\chi^2_{e_{sm}, \Gamma_n}$), donde $e_{sm}$ es el tamaño del conjunto tamizado para la $m$-ésima modalidad y $\Gamma_n$ es un parámetro de no centralidad relacionado con los coeficientes reales.
   • Pruebas de Significancia: Este resultado de distribución permite la construcción de intervalos de confianza para $H_m$ y el cálculo de valores p para probar la hipótesis nula $H_m = 0$. Crucialmente, los autores demuestran que esta inferencia no requiere consistencia en la selección de variables (es decir, los estimadores no necesitan identificar perfectamente los coeficientes cero/no-cero reales), lo cual es una relajación significativa en comparación con los métodos de inferencia de alta dimensión existentes.

Resultados Clave

• Estudios de Simulación: Los autores evaluaron el método en modelos de regresión lineal, logística y probit con $n=300$ y $p=600$. El método propuesto "SIS+SCAD" demostró probabilidades de cobertura empírica satisfactorias (cercanas al 95% nominal) para los intervalos de confianza de $H_m$, particularmente cuando la verdadera ganancia de información era sustancial. El método superó a un enfoque de "SIS+refit" (que carece de la penalización parcial) en términos de especificidad y cobertura, especialmente para tamaños de efecto más pequeños. Los resultados confirmaron que el método mantiene su validez incluso cuando la selección de variables es imperfecta.
• Aplicación a Datos Reales: El método se aplicó a un conjunto de datos de neuroimagen multimodal de la Iniciativa de Imagenología de Alzheimer (ADNI) que involucra 669 sujetos con exploraciones de PET de Amiloide y FDG-PET. Los resultados de la evaluación fueron puntuaciones de memoria (MEM), puntuaciones de función ejecutiva (EF) y una etiqueta diagnóstica (DX).
  • El análisis reveló que el FDG-PET proporcionó significativamente más información que el PET de Amiloide para predecir la función ejecutiva y el estado diagnóstico (valores p más bajos y estimaciones de ERE más altas para el FDG-PET).
  • Por el contrario, el PET de Amiloide mostró una mayor ganancia de información para las puntuaciones de memoria.
  • Estos hallazgos se alinean con la comprensión clínica de que la actividad metabólica (FDG) es un biomarcador fuerte para el declive funcional, mientras que la carga de amiloide es más específica para la patología relacionada con la memoria.

Significancia y Reivindicaciones
El artículo afirma proporcionar las primeras herramientas de inferencia estadística rigurosa para evaluar la significancia de las modalidades individuales en modelos lineales generalizados multimodales de alta dimensión. Al definir la Entropía Relativa Esperada (ERE) y derivar su distribución asintótica, los autores permiten a los investigadores:

1. Cuantificar la ganancia de información específica de una modalidad más allá de lo que proporcionan las otras.
2. Construir intervalos de confianza y valores p para esta ganancia sin depender de la condición difícil de alcanzar de una selección de variables perfecta.
3. Extender el concepto de bondad de ajuste desde el nivel de la variable al nivel de la modalidad, cerrando la brecha entre las métricas clásicas y el análisis multimodal moderno de alta dimensión.

Los autores señalan que, aunque el presente trabajo se centra en los GLM, la métrica basada en la entropía podría extenderse potencialmente a otros modelos (por ejemplo, de riesgos proporcionales de Cox), aunque tales extensiones quedan para investigaciones futuras.