Resumen Técnico: GeoSAE

1. Planteamiento del Problema

Los modelos fundamentales (FMs) de resonancia magnética cerebral (MRI), preentrenados mediante aprendizaje auto-supervisado en decenas de miles de escaneos, producen representaciones de alta dimensión y entrelazadas que son difíciles de interpretar. En la investigación de la enfermedad de Alzheimer (EA), esta opacidad es particularmente problemática porque el envejecimiento es tanto el principal factor de riesgo como un factor de confusión omnipresente; las características que parecen predecir la progresión de la EA pueden simplemente reflejar el envejecimiento normal, comorbilidades (p. ej., enfermedad cardiovascular, diabetes) o artefactos del escáner.

Los métodos de interpretación existentes enfrentan limitaciones específicas:

• Atribución post-hoc (p. ej., GradCAM, Gradientes Integrados): Produce mapas de saliencia espacial pero falla al descomponer las representaciones internas en conceptos discretos y nombrables.
• Sondeo lineal y Vectores de Activación de Conceptos (TCAVs): Tratan el espacio latente como un vector monolítico, siendo incapaces de identificar qué dimensiones específicas codifican qué información.
• Métodos de desentrelazado: Requieren etiquetas predefinidas durante el entrenamiento y modificaciones arquitectónicas, lo que los hace inaplicables a FMs auto-supervisados congelados.

Además, aplicar Autoencoders Escasos (SAE) estándar a las capas profundas de transformadores en FMs de neuroimagen introduce tres desafíos específicos:

1. Mortalidad de Características: Los SAE estándar sufren un colapso severo de características en capas profundas, perdiendo >98% de los elementos del diccionario porque ninguna prior geométrica guía la regularización.
2. Confusión por Edad: Las correlaciones crudas entre características y resultados confunden la neurodegeneración con el envejecimiento normal.
3. Confusión por Comorbilidad: Las características deben desentrelazar señales específicas de la enfermedad de factores de riesgo compartidos asociados con comorbilidades.

2. Metodología: GeoSAE

Los autores proponen GeoSAE (Autoencoder Escaso Guiado por Geometría), un marco de tres etapas diseñado para extraer características interpretables y desconfundidas por edad de FMs de MRI cerebral congelados sin modificar el modelo base.

Etapa 1: Análisis de Prior Geométrico

Antes de entrenar el SAE, el marco analiza la geometría del manifold aprendido del FM para cada capa del transformador.

• Selección de Activación: El análisis evalúa propiedades geométricas (p. ej., estructura de clase angular vs. radial, homogeneidad de dimensionalidad) para seleccionar la función de activación óptima del SAE. Para el modelo BrainIAC, se seleccionó la activación TopK ya que coincidió mejor con la estructura dominante angular de los datos.
• Construcción de Gráfico de Manifold: Se construye un gráfico de $k$-vecinos más cercanos (k-NN) sobre los embeddings del FM. Las muestras consideradas similares por el FM (vecinos en el espacio de representación) se conectan con pesos de kernel gaussiano. Este gráfico sirve como un prior geométrico para la etapa de entrenamiento posterior.

Etapa 2: Entrenamiento de SAE Regularizado por Manifold

GeoSAE introduce un término de regularización de manifold en la función de pérdida estándar del SAE para abordar la mortalidad de características.

• Función de Pérdida: La pérdida total combina la pérdida de reconstrucción estándar ($\mathcal{L}_{SAE}$) con una penalización de suavidad de manifold sobre las pre-activaciones ($a$) antes de la puerta de escasez:
  $$\mathcal{L} = \mathcal{L}_{SAE} + \lambda \sum_{(i,j) \in \mathcal{N}_k} w_{ij} \|a_i - a_j\|_2^2$$
• Mecanismo: Al penalizar pre-activaciones disímiles para muestras que son vecinas en el manifold del FM, la regularización proporciona señales de gradiente a todos los elementos del diccionario, incluidos aquellos anulados por la puerta de escasez (TopK). Esto previene el colapso de características en un pequeño conjunto activo, un modo de fallo común en capas profundas.

Etapa 3: Anotación de Características Desconfundidas por Edad

Para asignar significado clínico a las características supervivientes, GeoSAE emplea un enfoque de correlación parcial.

• Correlaciones Parciales: En lugar de correlaciones crudas, el método calcula correlaciones parciales de Spearman ($\rho_{jc \cdot a}$) entre cada característica $j$ y variables clínicas $c$ (diagnóstico, sexo, APOE4, comorbilidades), controlando por edad ($a$). Esto elimina la varianza compartida con la edad.
• Asignación de Categoría: Las características se asignan a una categoría clínica (p. ej., relacionada con EA, relacionada con sexo, genética, comorbilidad) basándose en la correlación parcial significativa más fuerte. Las características con correlación de edad cruda significativa pero sin asociación clínica específica se etiquetan como "envejecimiento", mientras que otras se etiquetan como "no específicas". Se aplica una corrección de Tasa de Falso Descubrimiento (FDR) jerárquica para controlar las pruebas múltiples.

3. Configuración Experimental

• Conjuntos de Datos: Entrenamiento y evaluación principal en ADNI (13.2k escaneos ponderados en T1); validación externa en AIBL (1.2k escaneos).
• Modelo Fundamental: BrainIAC, un Transformador de Visión (ViT) de 12 capas preentrenado en más de 85k escaneos.
• Tareas:
  1. Prueba de Enriquecimiento: Validación de categorías de características contra 31 variables clínicas secundarias.
  2. Predicción Selectiva: Predicción de conversión de DCL a EA utilizando regresión logística en subconjuntos específicos de características.
  3. Replicación Trans-Cohorte: Aplicación del SAE entrenado en ADNI a AIBL sin reentrenamiento para probar la estabilidad.

4. Resultados Clave

Descomposición y Supervivencia de Características

• Conteo de Características: En la capa óptima (Capa 9), GeoSAE produjo 161 características vivas, lo cual es 7 veces más que un SAE estándar (23 características vivas) entrenado sin regularización de manifold.
• Tendencias por Capa: Las características vivas alcanzaron su punto máximo en las primeras capas y se consolidaron con la profundidad. La especificidad clínica aumentó con la profundidad, mostrando la Capa 9 la mayor concentración de características relacionadas con EA, sexo y genética.

Rendimiento Predictivo

• Conversión de DCL a EA: Un subconjunto de las 16 mejores características (seleccionadas por frecuencia de activación) logró un AUC de 0.746.
  • Esto superó al embedding FM crudo de 768 dimensiones (AUC 0.687).
  • Superó una línea base supervisada de ResNet-18 3D (AUC 0.729) y SAE estándar (AUC 0.737).
  • Crucialmente, este rendimiento se logró utilizando solo el 2% de las dimensiones del embedding (16 dimensiones).
• Especificidad: Las características anotadas como "relacionadas con EA" impulsaron el rendimiento predictivo. Las características anotadas como "comorbilidad" lograron solo un rendimiento al nivel del azar (AUC ~0.507), confirmando que el marco desentrelazó con éxito las señales de la enfermedad de las comorbilidades.

Replicación y Localización

• Estabilidad Trans-Cohorte: Las 16 mejores características se replicaron entre ADNI y AIBL sin reentrenamiento con una correlación de r=0.97 para la consistencia de activación. Esto representa una mejora del 32% sobre los SAE estándar (r=0.74).
• Localización Anatómica: Los mapas de despliegue de atención localizaron características en regiones neuroanatómicamente distintas consistentes con la estadificación de Braak:
  • Etapas tempranas de Braak: Lóbulo temporal medial (hipocampo, giro parahipocampal).
  • Etapas avanzadas: Núcleos subcorticales y redes temporo-parietales.
• Enriquecimiento: Las características relacionadas con EA se enriquecieron significativamente para el uso de medicamentos para la EA (p. ej., memantina, donepezilo), validando la relevancia biológica de las características extraídas.

5. Contribuciones y Significado

El artículo reclama tres contribuciones principales:

1. Marco GeoSAE: Un método novedoso que utiliza el análisis geométrico de las representaciones del FM para guiar la selección de la función de activación e introduce regularización de manifold en las pre-activaciones para prevenir el colapso de características en capas profundas.
2. Pipeline de Anotación Desconfundido: Una estrategia de anotación rigurosa que utiliza correlaciones parciales desconfundidas por edad y corrección jerárquica de FDR para asignar etiquetas clínicas a las características, separando efectivamente las señales de envejecimiento, comorbilidad y enfermedad.
3. Validación Empírica: Demostración de que un conjunto compacto de 16 características interpretables de una sola capa de un FM congelado puede predecir la conversión a EA mejor que la representación completa, replicarse en cohortes independientes y localizarse en regiones cerebrales biológicamente plausibles.

Significado:
Los autores afirman que GeoSAE demuestra que la estructura geométrica inherente en las representaciones de los modelos fundamentales puede aprovecharse para extraer características clínicamente transparentes y mecánicamente interpretables de embeddings de caja negra. Este enfoque aborda la necesidad crítica de biomarcadores fiables e interpretables en neuroimagen, al tiempo que controla los factores de confusión omnipresentes del envejecimiento y la comorbilidad. El trabajo está modestamente acotado a un solo FM (BrainIAC) y un solo dominio (EA), señalando que la generalización a otras arquitecturas y enfermedades requiere mayor investigación.