Resumen Técnico: Más allá de la aumentación: Prior patológico guiado por puntuación para la detección de la depresión basada en EEG

1. Planteamiento del problema

La detección del Trastorno Depresivo Mayor (TDM) mediante electroencefalografía (EEG) está fundamentalmente limitada por el dilema de las muestras pequeñas, donde los conjuntos de datos clínicos suelen contener menos de 100 sujetos. Para abordar la escasez de datos, los métodos predominantes recurren a la aumentación de datos generativa (p. ej., GANs, Modelos de Difusión) para sintetizar pseudo-muestras. Sin embargo, los autores argumentan que este enfoque introduce fallos metodológicos fatales:

• Ruido sintético: La síntesis directa de señales de EEG crudas, de alta dimensión y no estacionarias, resulta en severas distorsiones morfológicas y artefactos de alta frecuencia.
• Desplazamiento de distribución: Las muestras generadas exhiben un marcado desplazamiento de distribución ($\Delta\sigma = 0.73$) respecto al colector de datos auténticos, fallando en preservar las propiedades estadísticas intrínsecas.
• Desenfoque de fronteras: En lugar de agudizar las fronteras de clasificación, la aumentación ruidosa inyecta correlaciones espurias, causando que los modelos memoricen el ruido sintético en lugar de biomarcadores clínicamente significativos.
• Heterogeneidad del hardware: El despliegue en el mundo real se ve obstaculizado por las variaciones en las configuraciones de electrodos (p. ej., 19 frente a 128 canales) entre centros clínicos, lo que impide que los modelos estándar se generalicen sin un costoso reentrenamiento.

2. Metodología: Clasificación Guiada por Puntuación (SGC)

Los autores proponen la Clasificación Guiada por Puntuación (SGC), un marco que cambia el paradigma de la "generación de muestras" al de la "minería de la información previa (prior)". En lugar de sintetizar nuevos datos, SGC utiliza una arquitectura generativa no supervisada para modelar los grados de anomalía estructural y estadística de las muestras, sirviendo como un prior patológico determinista y libre de ruido.

Arquitectura Central

El marco opera mediante una arquitectura de doble flujo:

A. Flujo No Supervisado (Modelado del Prior Patológico)

Entrenado exclusivamente con datos de Control Saludable (HC) para anclar el colector intrínseco de la dinámica cerebral normal, este flujo consiste en dos modelos complementarios:

1. VQ-VAE (Autoencoder Variacional Cuantizado Vectorialmente): Modela la morfología estructural discreta de las señales saludables. Aprende un conjunto finito de "átomos base saludables" (libro de códigos o codebook). El error de reconstrucción ($L'_{VQ}$) cuantifica las desviaciones estructurales.
2. DDPM (Modelo Probabilístico de Difusión de Eliminación de Ruido): Modela la distribución probabilística continua del ruido de fondo. La pérdida de difusión ($L'_{Diff}$) cuantifica los desplazamientos estadísticos en el trasfondo estocástico.

Estos modelos permanecen congelados tras su entrenamiento con datos HC. Para cualquier entrada, computan una puntuación de anomalía compuesta $S$:
$$S = \alpha L'_{VQ} + (1 - \alpha) L'_{Diff}$$
donde $\alpha=0.7$ prioriza el error estructural. Esta puntuación se normaliza robustamente (usando los percentiles 5 y 95) para producir un prior acotado $S' \in [0, 1]$.

B. Flujo Supervisado (Fusión de Características y Clasificación)

Este flujo procesa segmentos de EEG entrantes (tanto de MDD como de HC) a través de tres etapas:

1. Adaptación Espacial entre Electrodos: Para manejar la heterogeneidad del hardware, las señales de alta densidad arbitrarias se proyectan sobre una disposición estandarizada de 19 electrodos (sistema Internacional 10-20) utilizando Interpolación de Spline Esférica. Esto permite la transferencia de cero pasos (zero-shot) sin reentrenamiento arquitectónico.
2. Extractor de Características Híbrido: Un 1D-CNN captura características morfológicas temporales locales, seguido de un codificador Transformer para modelar dependencias globales de largo alcance, produciendo un vector de características profundas $F_{deep}$.
3. Fusión de Características Guiada por Puntuación: La puntuación de anomalía normalizada $S'$ se concatena explícitamente con $F_{deep}$ antes del clasificador MLP final. Esto fusiona la representación profunda con el prior patológico, calibrando dinámicamente la frontera de decisión.

Estrategia de Entrenamiento

Para mitigar el sobreajuste en regímenes de muestras pequeñas, los autores emplean:

• Recocido de Coseno (Cosine Annealing) para el ajuste de la tasa de aprendizaje.
• Suavizado de Etiquetas (Label Smoothing) para evitar la excesiva confianza.
• Configuración de Cero-Aumentación (Zero-Augmentation Setting): El modelo se entrena sin generar ninguna muestra sintética.

3. Contribuciones Clave

1. Marco Libre de Aumentación: SGC redefine la utilidad generativa al modelar una línea base normativa en lugar de alucinar señales crudas, evitando eficazmente los riesgos de inyección de ruido sintético.
2. Dualidad de Prior Patológico: Al sinergizar la cuantización estructural (VQ-VAE) y la difusión probabilística (DDPM), el método construye una puntuación de anomalía integral que captura tanto las distorsiones morfológicas como los desplazamientos estadísticos.
3. Generalización Independiente del Hardware: La estrategia de mapeo de topología espacial propuesta resuelve los desajustes de electrodos entre cohortes, permitiendo una transferencia zero-shot fluida entre conjuntos de datos con diferentes configuraciones de canales.

4. Resultados Experimentales

Los experimentos se realizaron en los conjuntos de datos Mumtaz2016 (19 electrodos, 34 MDD/30 HC) y MODMA (128 electrodos, 24 MDD/29 HC).

• Rendimiento de Vanguardia (SOTA): En Mumtaz2016, SGC alcanzó una precisión del 95.19%, superando a los modelos tradicionales de aprendizaje profundo (p. ej., DeprNet: 89.84%) y al mejor método de aumentación generativa, DiffMDD (93.85%).
• Generalización Zero-Shot: En una evaluación cruzada de conjuntos de datos (entrenamiento en Mumtaz2016, prueba en MODMA sin ajuste fino), SGC mantuvo una precisión del 78.50%. En contraste, los modelos SOTA existentes sufrieron una degradación catastrófica (p. ej., GC-GRU cayó al 55.40%, DiffMDD al 68.34%).
• Seguridad Clínica: SGC logró una Sensibilidad (Recall) del 75.34% en la transferencia zero-shot, superando significativamente a las líneas base (Recall $\le$ 61%). El análisis de la matriz de confusión mostró que SGC eliminó los falsos negativos (diagnósticos omitidos) que afectaban a los métodos de aumentación generativa.
• Estudios de Ablación:
  • Eliminar ya sea el flujo estructural o el de distribución redujo el rendimiento, confirmando su complementariedad.
  • Reemplazar la fusión a nivel de características por la fusión a nivel de decisión causó una caída significativa en el rendimiento zero-shot (de 78.50% a 69.69%), demostrando la necesidad de inyectar el prior como una característica.
  • Las comparaciones con heurísticas generativas avanzadas (Minería de Negativos Difíciles, Limpieza de Artefactos) mostaron que el enfoque de minería de prior de SGC supera fundamentalmente a la síntesis de muestras.

5. Significado y Reivindicaciones

El artículo sostiene que la convención predominante de "primero la cantidad de datos" en el análisis de EEG es errónea porque los datos sintéticos introducen artefactos que desenfocan las fronteras de decisión. Al cambiar el enfoque hacia la integridad de las características sobre la cantidad sintética, SGC demuestra que:

• Los Priors Patológicos Explícitos son más robustos que la aumentación generativa para el aprendizaje de pocos ejemplos (few-shot learning).
• La Puntuación de Anomalía sirve como un mecanismo poderoso y libre de ruido para guiar a los clasificadores, aislando eficazmente los biomarcadores genuinos de la varianza de fondo.
• La Independencia del Hardware puede lograrse mediante la proyección geométrica, haciendo que el sistema sea viable para el despliegue clínico multicéntrico sin necesidad de reentrenamiento.

Los autores concluyen que SGC establece una vía de diagnóstico fiable para series temporales médicas complejas, priorizando la extracción de colectores patológicos invariantes sobre la generación de datos sintéticos potencialmente engañosos. Se identifica como trabajo futuro la integración de la Adaptación de Dominio No Supervisada (UDA) para cerrar aún más las heterogeneidades de hardware.