Shared hidden-factor information framework for multiple behavioral tasks

Resumen Técnico: Marco de Información de Factores Ocultos Compartidos para Múltiples Tareas Conductuales

Planteamiento del Problema
La comprensión de los procesos cognitivos en el trastorno depresivo mayor (TDM) depende típicamente del análisis de tareas conductuales de forma aislada. Este enfoque pasa por alto las correlaciones potenciales y las estructuras latentes compartidas entre diferentes tareas realizadas por los mismos individuos. Los métodos existentes, como analizar la Tarea de Recompensa Probabilística (PRT) y la Tarea Flanker (FT) por separado, no aprovechan las dependencias entre tareas, lo que puede hacer que se pierdan mecanismos cognitivos compartidos y reducir la eficiencia de la estimación. Además, modelar estas tareas conjuntamente presenta desafíos estadísticos significativos: la necesidad de integrar sobre variables latentes de alta dimensión y dependientes del tiempo (estados de decisión a nivel de ensayo) y factores latentes específicos del sujeto, lo que hace que la estimación de máxima verosimilitud directa y los algoritmos clásicos de Esperanza-Maximización (EM) sean computacionalmente inviables.

Metodología
Los autores proponen el Marco de Información de Factores Ocultos Compartidos para Múltiples Tareas Conductuales (SHIFT), un enfoque de modelado conjunto diseñado para facilitar la transferencia de conocimiento entre tareas mientras se acomoda la heterogeneidad individual.

1. Arquitectura del Modelo:

   • Dinámicas de Tarea Única (SPLIT): Dentro de cada tarea $k$, el marco utiliza una mezcla de Modelos de Difusión de Deriva (DDM) acoplados con un Modelo Oculto de Markov (HMM). El HMM captura el cambio de estrategia latente (por ejemplo, "comprometido" frente a "desconectado" en la PRT; "enfocado" frente a "reducido" en la FT) a través de los ensayos. Los DDM modelan la acumulación de evidencia para la toma de decisiones, incorporando la historia de estímulos y las recompensas.
   • Modelado Conjunto (SHIFT): Para conectar múltiples tareas ($K$), SHIFT introduce un modelo de factores generalizado. Los factores latentes específicos del sujeto $f_i$ se comparten entre tareas para capturar dependencias entre tareas. Los parámetros específicos de la tarea $\theta_{ik}$ (por ejemplo, tasas de deriva, separación de límites) se vinculan a estos factores mediante un modelo lineal: $g_k(\theta_{ik}) = \mu_k + \Gamma_k^\top X_i + \Psi_k^\top f_i$.
   • Partición de Parámetros: El marco distingue entre parámetros destinados a compartirse (por ejemplo, separación de límites y sesgo inicial) y aquellos que son inherentemente específicos de la tarea. Las cargas factoriales se restringen para que los factores latentes solo influyan en el bloque de parámetros compartidos, evitando un compartir espurio.

2. Algoritmo de Estimación (EM-VA):

   • Debido a la intratabilidad de la verosimilitud observada (que requiere integración sobre estados latentes de alta dimensión), los autores desarrollan un algoritmo de Esperanza-Maximización con Aproximación Variacional (EM-VA).
   • Inferencia Variacional: La distribución posterior verdadera de las variables latentes se aproxima mediante un sustituto tratable $q(U_i, f_i)$.
   • Campo Medio Parcial Estructurado: A diferencia de las aproximaciones de campo medio estándar que asumen independencia total, SHIFT emplea una aproximación estructurada que preserva la dependencia condicional entre los factores a nivel de sujeto ($f_i$) y los estados latentes a nivel de ensayo ($U_i$). Específicamente, $q(f_i)$ se modela como una Gaussiana, mientras que $q(U_i | f_i)$ se aproxima utilizando estimaciones de inserción derivadas de la iteración anterior, lo que permite un cálculo eficiente mediante recursiones hacia adelante-hacia atrás (algoritmo de Baum-Welch).
   • Optimización: El algoritmo maximiza la Cota Inferior de Evidencia (ELBO) alternando entre actualizar los parámetros variacionales (paso E) y los parámetros del modelo (paso M) utilizando ascenso de coordenadas y cuadratura de Gauss-Hermite para la integración numérica.

Contribuciones Clave

• Desarrollo del Marco: SHIFT extiende el análisis factorial y el compartir duro de parámetros (común en redes neuronales) al dominio de datos conductuales secuenciales, modelando explícitamente tanto la dependencia temporal dentro de las tareas como las correlaciones entre tareas.
• Innovación Algorítmica: El artículo introduce un algoritmo EM-VA estructurado que maneja la doble complejidad de los estados latentes dependientes del ensayo y los factores compartidos a nivel de sujeto sin requerir integración de alta dimensión ni romper las dependencias temporales.
• Manejo de la Identificabilidad: Los autores abordan la no identificabilidad del modelo de factores latentes mediante una transformación post-hoc (descomposición QR y reescalado) que recupera un sistema de coordenadas común sin alterar la verosimilitud.

Resultados

• Estudios de Simulación:
  • En escenarios con estructuras compartidas, SHIFT demostró una precisión y eficiencia de estimación sustancialmente mejoradas en comparación con el modelado de tareas por separado (SPLIT). SPLIT subestimó severamente los parámetros (por ejemplo, tasas de aprendizaje en la PRT, tasas de deriva en la FT) y exhibió un alto sesgo relativo en los parámetros de transición del HMM.
  • SHIFT recuperó con éxito la distribución de los parámetros compartidos específicos del sujeto, mientras que SPLIT solo estimó sus contrapartes a nivel de población.
  • En escenarios sin estructuras compartidas, SHIFT se desempeñó de manera comparable a SPLIT, lo que indica robustez incluso cuando la suposición de compartir no se cumple estrictamente.
  • El método mostró robustez ante la mala especificación del modelo y el error de medición en simulaciones adicionales.
• Aplicación al Estudio EMBARC:
  • Aplicado a 183 sujetos (31 controles sanos, 152 con TDM) que realizaron la PRT y la FT.
  • Hallazgos Conductuales: Los participantes con TDM mostraron menor compromiso en la PRT y menor enfoque en la FT en comparación con los controles. Cuando estaban comprometidos/enfocados, los participantes con TDM exhibieron tiempos de respuesta (RT) más largos que los controles. En el estado "desconectado", ambos grupos mostraron RT consistentes con una adivinanza aleatoria.
  • Modulación del Tratamiento: Si bien los RT observados no predijeron la respuesta al tratamiento, los parámetros compartidos recuperados por SHIFT mostraron patrones sugestivos de modulación del tratamiento (p < 0.05) para la FT, indicando potencial como marcadores conductuales exploratorios.
  • Asociaciones con Neuroimagen: El segundo factor latente se asoció significativamente con múltiples medidas de neuroimagen y conductuales (por ejemplo, fMRI de tarea de conflicto emocional, señales de fMRI en estado de reposo y tareas de fluidez verbal) después de la corrección por comparaciones múltiples.

Significado y Afirmaciones
El artículo afirma que SHIFT proporciona una solución principada y eficiente para el modelado conjunto de múltiples tareas conductuales, superando las barreras computacionales de la estimación conjunta tradicional. Al aprovechar la información compartida, el marco mejora la precisión de la estimación de parámetros cognitivos individuales, lo cual es crítico para abordar la heterogeneidad de los pacientes en la investigación de la salud mental. Los autores enfatizan que sus hallazgos sobre la modulación del tratamiento son exploratorios y generadores de hipótesis, no confirmatorios. Posicionan a SHIFT como una herramienta para identificar constructos latentes que pueden servir como biomarcadores para resultados terapéuticos, alineándose con el marco de Criterios de Dominio de Investigación (RDoC) del Instituto Nacional de Salud Mental. Los autores también señalan que, aunque el método es computacionalmente intensivo, ofrece una alternativa escalable a los métodos EM de Monte Carlo y sugiere direcciones futuras que involucran inferencia variacional estocástica y estados atencionales continuos.