Resumen Técnico: Redes de Difusión de Denoisado para el Modelado Normativo en Neuroimagen

Planteamiento del Problema

El modelado normativo en neuroimagen tiene como objetivo caracterizar la distribución de las mediciones biológicas (Fenotipos Derivados de la Imagen, o IDP por sus siglas en inglés) en función de covariables (por ejemplo, edad, sexo) para derivar puntuaciones de desviación y centiles clínicamente interpretables. La práctica estándar actual suele emplear una estrategia "por fenotipo", ajustando modelos univariados independientes para cada IDP. Aunque es escalable, este enfoque descarta las estructuras de dependencia multivariante que pueden codificar patrones biológicos coordinados (por ejemplo, la atrofia coocurrente en la enfermedad de Alzheimer).

Los enfoques de modelado conjunto existentes enfrentan obstáculos significativos:

• Métodos paramétricos (LMS, GAMLSS): Tienen dificultades con la multimodalidad, la heterocedasticidad y las densidades conjuntas de alta dimensión, lo que a menudo requiere ajustes separados por cada IDP.
• Procesos Gaussianos (GP) y Regresión Bayesiana Jerárquica (HBR): Son computacionalmente costosos a escala y difíciles de extender a distribuciones conjuntas de alta dimensión.
• Modelos Generativos Profundos (VAE, Flujos Normalizantes): Los VAE pueden sufrir de colapso de la posterior y reconstrucciones excesivamente suavizadas; los flujos normalizantes requieren invertibilidad global, lo que restringe el diseño de la arquitectura en altas dimensiones.

Los autores proponen Modelos Probabilísticos de Difusión de Denoisado (DDPM) como un estimador de densidad condicional unificado para IDPs tabulares. Este enfoque busca modelar conjuntamente IDPs de alta dimensión preservando estructuras de dependencia realistas, permitiendo la derivación de centiles univariados calibrados y perfiles de desviación multivariantes.

Metodología

Fuentes de Datos

1. Conjunto de Datos Sintético (SYNTH): 47,000 muestras generadas con recetas paramétricas que inducen no linealidad, heterocedasticidad y bimodalidad (mediante subgrupos latentes para edad $\ge$ 65) para poner a prueba la calibración.
2. UK Biobank (UKB): Datos reales de RM ponderada en T1 procesados con FreeSurfer.
   • Baja dimensión ($D=20$): Un conjunto de IDPs sensibles a la neurodegeneración (volúmenes hipocampales/amigdalinos, volúmenes ventriculares, espesores corticales en regiones con firma de AD, volumen de WMH, eTIV).
   • Alta dimensión ($D=100, 200$): Los 20 IDPs centrales aumentados con otros IDPs de FreeSurfer muestreados aleatoriamente para probar la escalabilidad.

Arquitectura del Modelo

Los autores implementan DDPM donde el proceso hacia adelante es una cadena de Markov fija que añade ruido gaussiano, y el proceso inverso se aprende mediante una red de denoisado $\epsilon_\theta(y_t, t, c)$ condicionada a las covariables $c$. Se compararon dos arquitecturas de base (backbone):

1. MLP con Condicionamiento FiLM:

   • Una red totalmente conectada con capas de Modulación Lineal por Características (FiLM).
   • Las covariables se mapean a parámetros afines ($\gamma, \beta$) que modulan las activaciones de las capas ocultas.
   • El tiempo $t$ se concatena a las entradas.

2. Transformer estilo SAINT:

   • Adapta la arquitectura SAINT (Self-Attention with Intersample Attention) para IDPs continuos.
   • Tokens de Características: Cada IDP escalar se mapea a un token de característica.
   • Condicionamiento: Las covariables y los pasos de tiempo se embeben y se añaden a cada token de característica (evitando tokens de contexto adicionales).
   • Mecanismos de Atención:
     • Auto-atención (Self-attention): A través de las características (columnas) dentro de un sujeto.
     • Atención Intersample (Fila): Un mecanismo ligero donde un token de resumen por sujeto atiende a otros sujetos en el mini-batch durante el entrenamiento (50% de probabilidad). Esto actúa como un regularizador para aprender estructuras compartidas, pero se desactiva en el tiempo de prueba para asegurar que las predicciones dependan solo de los propios datos del sujeto.

Suite de Evaluación

Los autores construyeron un marco de evaluación exhaustivo adaptado al modelado normativo:

• Calibración de Centiles: Error de Centil Absoluto (ACE), Probabilidad de Cobertura Empírica (ECP) e histogramas de la Transformada Integral de Probabilidad (PIT).
• Fidelidad Distribucional: Pruebas de Kolmogorov–Smirnov (KS) comparando los marginales condicionales generados frente a los mantenidos fuera de la muestra (held-out).
• Dependencia Multivariante:
  • Pareja (Pairwise): Distancia de energía y Discrepancia de la Media Máxima (MMD) comparando las juntas generadas contra el producto de los marginales y las juntas reales.
  • Orden Superior: Matrices de correlación de forma "par de pares" ($C_{shape}$) para evaluar si el modelo captura la disposición de las dependencias entre pares de IDPs.
• Análisis de Memorización: Ratio de Vecino Más Cercano (NN) ($r = d_{train}/d_{hold}$) para detectar sobreajuste/memorización, con efectos de densidad controlados mediante submuestreo estratificado.

Baselines (Líneas Base)

• GAMLSS: Regresión de distribución Sinh–Arcsinh (SHASH) univariante ajustada por cada IDP. Nota: GAMLSS no logró converger para 9/20 IDPs de UKB debido a la inestabilidad de la optimización.

Resultados Clave

1. Calibración y Cobertura

• Bajas Dimensiones ($D=20$): Ambas arquitecturas de difusión (MLP y SAINT) produjeron intervalos de predicción (PI) bien calibrados, con SAINT siguiendo la cobertura nominal ligeramente mejor que MLP. GAMLSS fue competitivo en los IDPs que convergieron, pero mostró fallos significativos (errores de cobertura > 0.6) en otros.
• Altas Dimensiones ($D=100, 200$): La arquitectura MLP se degradó drásticamente, exhibiendo una cobertura saturada (cercana a 1.0) y un pobre desempeño de PIT (masa cerca de 0.5). En contraste, la arquitectura SAINT se mantuvo sustancialmente mejor calibrada, manteniendo una cobertura razonable y fidelidad de la distribución incluso en $D=200$.

2. Fidelidad Distribucional

• En el conjunto de datos SYNTH (bimodal/heterocedástico), todos los modelos funcionaron bien.
• En los datos de alta dimensión de UKB, la fracción de rechazo de la arquitectura MLP se saturó, indicando que sus marginales se desviaron de la realidad. La arquitectura SAINT mantuvo fracciones de rechazo acotadas, aprendiendo con éxito marginales condicionales realistas en modelos conjuntos de alta dimensión.

3. Dependencia Multivariante

• Pareja (Pairwise): Las distribuciones conjuntas generadas de ambos backbones se alejaron significativamente de la línea base del producto de marginales y se alinearon estrechamente con los datos reales mantenidos fuera de la muestra. SAINT mostró un mejor alineamiento (menores distancias MMD/Energía medianas) que MLP.
• Orden Superior: Las matrices de correlación de forma "par de pares" mostraron una fuerte concordancia entre los datos reales y los generados (correlación de Mantel $r \approx 0.985$ para MLP, $0.991$ para SAINT). Esto indica que los modelos capturan no solo las relaciones de pareja individuales, sino la disposición global de las dependencias.

4. Memorización

• Tras controlar la densidad de la muestra, el ratio de vecino más cercano $r$ se centró en 1 para ambos backbones ($E[I(r<1)] \approx 0.5$), lo que indica que no hay una memorización significativa del conjunto de entrenamiento y una generalización efectiva.

5. Eficiencia Computacional

• Entrenamiento: Los modelos de difusión se entrenaron más rápido que GAMLSS (por ejemplo, 378s para MLP frente a 3569s para GAMLSS en UKB $D=20$).
• Escalabilidad: El tiempo de ejecución de MLP fue insensible a la dimensionalidad. El tiempo de entrenamiento de SAINT escaló cuadráticamente con la dimensión (por ejemplo, ~6866s para $D=200$), pero se mantuvo práctico (< 2 horas). Los tiempos de muestreo fueron eficientes para MLP pero aumentaron para SAINT en altas dimensiones.

Significancia y Reivindicaciones

El artículo afirma ser la primera aplicación de modelos de difusión a los IDPs de modelado normativo neuroimaginológico multivariante utilizando un backbone de transformador tabular.

Los autores sostienen que:

1. Los modelos de difusión ofrecen una ruta práctica para obtener perfiles de desviación multivariantes calibrados en neuroimagen, superando las limitaciones de los procesos univariados por IDP.
2. Las arquitecturas SAINT son superiores a las MLP para el modelado normativo de alta dimensión ($D > 20$), preservando la calibración y las estructuras de dependencia de orden superior donde las MLP estándar fallan.
3. El modelado conjunto es factible y beneficioso: Al capturar patrones de desviación coordinados (por ejemplo, la atrofia coocurrente), estos modelos proporcionan una base más coherente biológicamente para la puntuación de desviación que los ajustes univariados independientes.
4. Flexibilidad generativa: A diferencia de los métodos paramétricos, los modelos de difusión pueden manejar densidades condicionales complejas, multimodales y heterocedásticas sin supuestos de distribución explícitos, apoyando al mismo tiempo la derivación de métricas clínicas estándar (centiles, puntuaciones de desviación).

Este trabajo posiciona al modelado normativo basado en difusión como una alternativa escalable que cierra la brecha entre la interpretabilidad de las tablas de centiles tradicionales y la complejidad de los datos de neuroimagen conjuntos de alta dimensión.