Unsupervised learning of acquisition variability in structural connectomes via hybrid latent space modeling

Resumen Técnico: Aprendizaje No Supervisado de la Variabilidad de Adquisición en Conectomas Estructurales mediante Modelado de Espacio Latente Híbrido

Enunciado del Problema
La resonancia magnética de difusión (dMRI) es esencial para analizar la conectividad de la sustancia blanca y la integridad microestructural en enfermedades neurodegenerativas, el deterioro cognitivo y el envejecimiento. Sin embargo, los datos de dMRI se ven fuertemente afectados por la heterogeneidad en los protocolos de adquisición (por ejemplo, tipo de escáner, tiempo de eco, tiempo de repetición, valores b y configuraciones de concha). Estas diferencias en la adquisición introducen variabilidad que a menudo oculta las señales biológicas subyacentes, dificultando la extracción de conclusiones generalizables en estudios multicéntricos. Aunque existen técnicas de armonización, muchas dependen de etiquetas de sitio predefinidas o metadatos, que pueden estar incompletos o ser inexactos. Además, los métodos convencionales de reducción de dimensionalidad (por ejemplo, Autoencoders Variacionales estándar o PCA) suelen modelar toda la varianza como continua, lo que dificulta desentrañar los efectos discretos de la adquisición de la variación biológica continua. Los modelos existentes de espacio latente híbrido que intentan separar factores discretos y continuos a menudo requieren un ajuste manual de la capacidad para asegurar que el componente discreto capture la variabilidad deseada, lo que conduce a inestabilidad y sensibilidad a los hiperparámetros.

Metodología
Los autores proponen un Annealing Arquitectónico de Joint-VAE, un marco no supervisado diseñado para aprender un espacio latente híbrido que comprende tanto variables continuas ($z_c$) como discretas ($z_d$) para modelar conectomas estructurales.

1. Curación de Datos: El estudio utiliza un conjunto de datos grande y heterogéneo ($N=7.416$) derivado de 13 estudios de neuroimagen, que abarcan edades de 2 a 102 años. Los datos incluyen 25 combinaciones únicas de parámetros de adquisición (sitios) y cubren cohortes neurotípicas, con deterioro cognitivo leve (MCI) y enfermedad de Alzheimer (AD). Los conectomas estructurales se construyeron utilizando pipelines de preprocesamiento estándar (PreQual, SLANT, MRtrix3) que involucran 121 ROIs y 10 millones de líneas de flujo por sujeto.
2. Arquitectura del Modelo: El modelo extiende el Autoencoder Variacional (VAE) tradicional. El codificador mapea los datos de conectoma aplanados a una posterior conjunta $q_\phi(z_c, z_d | x)$, mientras que el decodificador reconstruye la entrada a partir del vector latente concatenado $[z_c, z_d]$.
   • Latente Continuo ($z_c$): Modelado como una distribución gaussiana.
   • Latente Discreto ($z_d$): Modelado como una distribución categórica (25 clases correspondientes al número de sitios), muestreada mediante Gumbel-Softmax.
3. Annealing Arquitectónico: La innovación central es un procedimiento de recocido por etapas aplicado directamente a las salidas del codificador y no solo a la función de pérdida.
   • Un factor de recocido $\lambda$ aumenta linealmente de 0 a 1 durante un número fijo de iteraciones.
   • La media ($\mu$) y la varianza logarítmica ($\log \sigma^2$) del codificador para el latente continuo se escalan por $\lambda$ (es decir, $\mu' = \lambda \mu$, $\log \sigma'^2 = \lambda \log \sigma^2$) antes del muestreo y el cálculo de la divergencia KL.
   • Mecanismo: Al inicio del entrenamiento ($\lambda \approx 0$), la vía continua se suprime, forzando al modelo a codificar información estructural en el espacio latente discreto. A medida que $\lambda$ aumenta, la vía continua se revela gradualmente, permitiendo una optimización conjunta equilibrada. Esta restricción arquitectónica evita que el espacio continuo domine la dinámica temprana del entrenamiento, un modo de fallo observado en enfoques de recocido basados en pérdida.

Contribuciones Clave

• Marco No Supervisado Principiado: El artículo introduce un método para separar los efectos discretos de la adquisición de la variación biológica continua sin requerir etiquetas de sitio ni ajuste manual de la capacidad.
• Annealing Arquitectónico: A diferencia de enfoques anteriores que recocen solo el término de pérdida (divergencia KL), este método recocido las propias salidas del codificador. Esto asegura que el decodificador esté condicionado a representaciones con capacidad controlada durante todo el entrenamiento, lo que conduce a dinámicas más estables.
• Validación a Gran Escala: El marco se valida en un conjunto de datos significativamente más grande y diverso (7.416 sujetos, 25 sitios) en comparación con estudios previos de espacio latente híbrido.

Resultados

• Sensibilidad al Ajuste Manual: Los experimentos en el Joint-VAE estándar (Ecuación 5) demostraron que el modelo es altamente sensible a la configuración manual de la capacidad continua ($C_c$). Aumentar $C_c$ provocó el colapso del espacio discreto, fusionando clusters de sitios distintos y fallando en recuperar la estructura del sitio.
• Descubrimiento de Sitios Superior: El propuesto Annealing Arquitectónico de Joint-VAE superó significativamente a las líneas base, incluyendo PCA+k-means, VAE estándar+k-means y un Joint-VAE que utiliza solo recocido basado en pérdida.
  • Con 25 clases discretas (que coinciden con el número real de sitios), el enfoque con recocido de modelo logró un Índice Rand Ajustado (ARI) de 0,53 ($p < 0,05$), significativamente mayor que todos los demás métodos.
  • El enfoque con recocido de modelo mantuvo un rendimiento estable a medida que el número de clases se acercaba a la verdad fundamental, mientras que las líneas base de recocido de pérdida y PCA mostraron caídas marcadas en el rendimiento.
• Interpretabilidad del Espacio Latente: La visualización del espacio latente reveló que el modelo aprendió con éxito a separar adquisiciones de múltiples conchas de las de una sola concha. Dentro de los grupos de una sola concha, el espacio latente continuo organizó suavemente a los sujetos según los parámetros de adquisición (TE, TR, resolución angular), demostrando una factorización no lineal de la variabilidad de adquisición.

Significado y Afirmaciones
El artículo afirma que el espacio latente híbrido continuo-discreto propuesto proporciona un mecanismo robusto y no supervisado para capturar la variabilidad relacionada con la adquisición en la resonancia magnética de difusión. Al modelar conjuntamente estructuras suaves y categóricas, el modelo recupera clusters significativos alineados con las diferencias de escáner y protocolo sin supervisión. Los autores enfatizan que la estructura latente aprendida revela que ningún parámetro único de adquisición domina la variabilidad; más bien, el modelo captura una dependencia multifactorial que involucra TE, TR, valores b y la estructura de conchas.

Los autores notan modestamente una limitación: en esta configuración totalmente no supervisada, el espacio latente está dominado por la variación relacionada con la adquisición en lugar de las diferencias biológicas entre sujetos. Sugieren que el trabajo futuro podría extender esto a un marco semi-supervisado donde la variable discreta capture la estructura de adquisición mientras se alienta a dimensiones continuas dedicadas a codificar la variabilidad biológica, apoyando así análisis de neuroimagen a gran escala y entre estudios que preserven señales biológicas significativas.