Resumen Técnico: LERD – Dinámicas de Eventos Latentes y Relacionales para la Clasificación Neurodegenerativa

1. Formulación del Problema

El artículo aborda el desafío de diagnosticar la enfermedad de Alzheimer (EA) y caracterizar las dinámicas neurodegenerativas mediante electroencefalografía (EEG) multicanal. Aunque el aprendizaje profundo ha avanzado en la clasificación basada en EEG, los enfoques existentes suelen funcionar como predictores de etiquetas de "caja negra". Estos mapean señales espaciotemporales a categorías diagnósticas (por ejemplo, EA frente a control) sin modelar explícitamente los eventos neurales latentes (transiciones a nivel de población) o la coordinación temporal (interacciones entre canales) que generan las señales.

Los autores identifican dos brechas primarias:

1. Falta de Recuperación Latente: Los modelos actuales no recuperan el tiempo de los eventos latentes ni los grafos de interacción dirigida entre canales, lo que dificulta relacionar las predicciones con fenómenos neurofisiológicos establecidos (por ejemplo, patrones de actividad impulsados por eventos o resúmenes de interacción derivados del tiempo).
2. Escasez de Anotación: Inferir estas dinámicas es difícil porque el EEG de superficie es una mezcla lineal ruidosa de fuentes mesoscópicas, y los tiempos de eventos específicos y las aristas de interacción no observados (latentes) carecen de anotación.

El objetivo es diseñar un sistema que infiera simultáneamente:

• Dinámicas de eventos latentes por canal (cuándo ocurren los eventos).
• Un grafo relacional de eventos condicional (cómo los eventos en un canal influyen probabilísticamente en otros).
• Etiquetas diagnósticas, sin requerir anotaciones de picos (spikes) o aristas.

2. Metodología: El Marco LERD

LERD (Latent Event-Relational Dynamics) es un sistema dinámico neural bayesiano de extremo a extremo entrenado mediante inferencia variacional. Consta de tres componentes principales que interactúan:

A. Ecuación Diferencial de la Posterior de Eventos (EPDE)

La EPDE modela la distribución posterior de los tiempos de eventos latentes para cada canal dado la señal de EEG observada.

• En lugar de predecir pasos de tiempo discretos, define una función auxiliar $\Phi(t)$ cuya derivada acumula la contribución de la densidad de eventos.
• El tiempo esperado del siguiente evento se computa como la solución de un Problema de Valor Inicial (IVP), asegurando que los eventos permanezcan estrictamente ordenados en el tiempo.
• Esto proporciona una representación de tiempo continuo de las dinámicas latentes y los tiempos esperados del próximo evento.

B. Proceso Lognormal de Evolución de la Media (MELP)

Para capturar la naturaleza estocástica de los intervalos entre eventos, LERD emplea un MELP.

• Las salidas de la EPDE sirven como parámetros de media para una mezcla de distribuciones lognormales.
• Utilizando muestreo reparametrizado (por ejemplo, Gumbel-Softmax durante el entrenamiento), el modelo extrae intervalos inter-eventos estocásticos.
• Esto permite al modelo manejar estadísticas de tiempo flexibles y potencialmente multimodales, asegurando al mismo tiempo intervalos positivos.

C. Grafo de Relación de Eventos (ERG)

El ERG captura las interacciones dirigidas entre canales basadas en los retardos (lags) de eventos inferidos.

• Los retardos de eventos entre canales se mapean a través de una no linealidad suave (inspirada en la Plasticidad Dependiente del Tiempo de Disparo o STDP) hacia pesos de aristas.
• El grafo no es una matriz de conectividad estática, sino un proceso dinámico que resume cómo los eventos en un canal preceden, siguen o se alinean con eventos en otros.
• Un regularizador débil alinea el ERG con estadísticas observables (por ejemplo, correlaciones de Pearson), pero depende principalmente de los retardos de eventos inferidos para una estructura de grano fino.

D. Prior de Electrofisiología Informada (dLIF)

Una innovación clave es la incorporación de un prior de Leaky-Integrate-and-Fire diferenciable (dLIF).

• Esto impone restricciones biofísicamente significativas sobre el proceso latente, incluyendo fuga (leak), comportamiento refractario y tasas de disparo plausibles.
• Dado que la función de disparo duro en los modelos LIF estándar es no diferenciable, LERD regulariza los proxies de tasa derivados del estado de la EPDE para que sigan las leyes dLIF.
• Esto actúa como un prior estructurado sobre las dinámicas de tasa latente a nivel de población, en lugar de ser una afirmación de que el EEG de superficie refleja picos de neuronas individuales.

E. Objetivo de Entrenamiento

El modelo se entrena minimizando un objetivo de límite inferior de evidencia negativa (negative ELBO):
$$J = -\mathbb{E}[\log p_\theta(Y|X, T, G)] + \text{KL}(T) + \text{KL}(\tau) + \beta R_{\text{ERG}} + \lambda_{\text{LIF}} R_{\text{LIF}}$$

• $\text{KL}(T)$: Un sustituto tratable basado en IVP para la divergencia KL entre la ley de la trayectoria inferida y el prior dLIF.
• $\text{KL}(\tau)$: Penaliza la desviación de un prior de mezcla lognormal para los intervalos entre eventos.
• $R_{\text{ERG}}$ y $R_{\text{LIF}}$: Regularizadores débiles para la alineación del grafo y la consistencia dLIF, respectivamente.

3. Contribuciones Clave

1. Descubrimiento Sin Anotación: LERD es un sistema bayesiano unificado que infiere procesos de eventos latentes y dinámicas de grafos de relación de eventos directamente de EEG multicanal sin requerir anotaciones de picos o aristas.
2. Restricciones Biofísicas: Integra un prior dLiferenciable, proporcionando restricciones sobre las tasas, la refractariedad y el contenido de frecuencia que se alinean con los principios electrofisiológicos.
3. Garantías Teóricas: Los autores derivan una representación computacionalmente tratable basada en IVP para el KL del prior de eventos y establecen límites de estabilidad para el ERG inferido con respecto al ruido de retardo.
4. Desempeño Empírico: El modelo demuestra la capacidad de recuperar estructuras latentes que se alinean con diferencias fisiológicas, logrando un desempeño diagnóstico competitivo.

4. Resultados Experimentales

Benchmarks Sintéticos (Dataset de Juguete)

• Configuración: Datos sintéticos con tasas de eventos latentes y límites conocidos a través de tres bandas de frecuencia.
• Comparación: Comparado contra Neural ODEs (NODE), ODE-RNN y STRODE.
• Hallazgos: Aunque los modelos base lograron una alta similitud de coseno (predicción de secuencia), fallaron en recuperar las estructuras de eventos latentes (puntuaciones de Intersección sobre Unión (IoU) de 0.000).
• Desempeño de LERD: Logró una alta similitud de coseno mientras obtenía puntuaciones de IoU no nulas (por ejemplo, 0.473 en la banda de 5–10 Hz), demostrando su capacidad para recuperar los mecanismos generativos subyacentes y las tasas de eventos.

Datasets de EEG de AD del Mundo Real

• Datasets: Dos cohortes (A y B) que contienen EA, Demencia Frontotemporal (FTD), Deterioro Cognitivo Leve (MCI) y controles sanos.
• Desempeño: LERD superó a bases sólidas (CNN, RNN, Transformers) en precisión diagnóstica.
  • En la Cohorte A, mostró una distinción clara entre EA, FTD y controles con una menor variabilidad de desempeño.
  • En la Cohorte B, más desequilibrada, mantuvo robustez y alta precisión donde otros modelos fluctuaron.
• Interpretabilidad: El modelo produjo resúmenes "alineados con la fisiología" (tasas, tiempos y estructuras de grafos) que ayudaron a caracterizar las diferencias dinámicas a nivel de grupo, como el enlentecimiento oscilatorio y la coordinación interrumpida.

5. Significado y Reivindicaciones

El artículo afirma que LERD cierra la brecha entre la clasificación de alto rendimiento de "caja negra" y la comprensión neurocientífica mecánica. Al modelar explícitamente la temporización de eventos latentes y las dinámicas de relación de eventos, el marco:

• Proporciona una forma fundamentada de inferir interacciones dirigidas a nivel de eventos a partir de datos de EEG ruidosos y no anotados.
• Ofrece resúmenes interpretables (tasas de eventos, resúmenes de tiempo y grafos de interacción) que pueden compararse con fenómenos establecidos de EEG.
• Logra un desempeño diagnóstico superior manteniendo la alineación con las restricciones electrofisiológicas, sugiriendo que la incorporación de conocimiento de dominio (vía el prior dLIF) mejora tanto la robustez como la interpretabilidad de los modelos de aprendizaje profundo en la clasificación neurodegenerativa.

Los autores enfatizan que el prior dLIF es fenomenológico, sirviendo como un regularizador estructurado para las dinámicas de nivel de población en lugar de un mapeo directo a la fisiología de neurona única. El trabajo posiciona a LERD como un paso hacia el "razonamiento bayesiano mecánico" en el análisis de EEG, moviéndose más allá de la extracción de características estáticas hacia un modelado dinámico impulsado por eventos.