Resumen Técnico: NeuroAlign

1. Planteamiento del Problema

La integración de la resonancia magnética funcional (fMRI) y la imagen de tensor de difusión (DTI) ofrece perspectivas complementarias sobre el deterioro cognitivo, específicamente en el Deterioro Cognitivo Leve (MCI) y el Declive Cognitivo Subjetivo (SCD). Sin embargo, la fusión multimodal efectiva sigue siendo un desafío debido a tres problemas principales identificados en la literatura actual:

• Espacios de Características Heterogéneos: Las características derivadas de fMRI (por ejemplo, Conectividad Funcional Dinámica [DFC], Conectividad Funcional Estática [SFC], Amplitud de las Fluctuaciones de Baja Frecuencia [ALFF]) y las derivadas de DTI (por ejemplo, Anisotropía Fraccional [FA]) existen en espacios semánticos y distribucionales desalineados. La simple concatenación no logra modelar sus relaciones covariantes.
• Modelado Disjunto: Los métodos existentes a menudo tratan la conectividad estática y dinámica por separado, pasando por alto la naturaleza complementaria de la organización de redes estables frente a las interacciones variables en el tiempo. Además, el análisis de la Conectividad Funcional Dinámica (DFC) frecuentemente depende de ventanas deslizantes de duración fija, fallando en capturar patrones temporales a través de múltiples escalas.
• Falta de Interacción Estructurada y Atribución: Los marcos de aprendizaje profundo actuales suelen procesar las modalidades como canales independientes sin una alineación cross-modal explícita. Además, proporcionan una atribución limitada a nivel de características, lo que dificulta inspeccionar qué conectividad específica o patrones regionales impulsan las decisiones del modelo.

2. Metodología: NeuroAlign

Los autores proponen NeuroAlign, un marco jerárquico diseñado para la fusión multimodal estructurada. La arquitectura consta de tres componentes sinérgicos:

2.1. Alineación Jerárquica de Doble Modalidad (DMHA)

DMHA armoniza las representaciones a través de escalas temporales, modalidades y dominios mediante tres submódulos:

• TSA (Alineación Temporal Multi-escala): Aborda la limitación de las ventanas deslizantes fijas construyendo una pirámide de DFCs utilizando ventanas deslizantes que van desde los 20s hasta los 100s. Estos tensores específicos de escala se proyectan en un espacio latente compartido mediante adaptadores ligeros y se fusionan usando un módulo de refinamiento de profundidad para crear una incrustación de conectividad unificada ($l_{CD}$).
• DSA (Alineación Contrastiva Dinámico-Estática): Utiliza el aprendizaje contrastivo para alinear las incrustaciones de la conectividad dinámica (DFC) y estática (SFC) para el mismo sujeto. Esto impone una consistencia a nivel de sujeto, asegurando que las representaciones dinámicas y estáticas para un mismo paciente sean semánticamente más cercanas que las de diferentes pacientes.
• FSA (Fusión Funcional-Estructural mediante Aprendizaje Invariante de Afinidad): Trata la fusión de las características funcionales (fMRI) y estructurales (DTI) como un problema de aprendizaje de invariancia. Al crear sondas complementarias (producto elemento a elemento y suma) y alinearlas mediante pérdida contrastiva, el modelo aprende representaciones que son robustas a reglas de fusión aritmética específicas y configuraciones de adquisición heterogéneas.

2.2. Interacción Jerárquica de Doble Dominio (DDHI)

DDHI facilita la interacción estructurada entre las características a nivel de conectividad ($l_{CD}, l_{CS}$) y las características a nivel regional ($l_{RF}, l_{RS}$):

• FI (Atención Modulada de Grano Fino): Implementa un mecanismo de modulación descendente (top-down) donde la incrustación de un dominio (por ejemplo, conectividad estática) condiciona el mecanismo de atención de otro (por ejemplo, actividad regional funcional), permitiendo un enrutamiento condicionado por características.
• GI (Atención Cross-dominio Global): Trata las cuatro representaciones latentes como tokens en una secuencia y aplica auto-atención de múltiples cabezales para permitir la comunicación de todos con todos entre dominios, permitiendo que el modelo capture relaciones relevantes para la tarea sin un orden de interacción fijo.

2.3. Mapeo de Activación Sinérgica (SAM)

Para apoyar la interpretabilidad post-hoc, los autores introducen SAM, un método de atribución orientado a marcadores y libre de gradientes. A diferencia de Grad-CAM estándar, SAM está adaptado para entradas heterogéneas (matrices de conectividad y mapas regionales 3D). Genera mapas de atribución específicos de la modalidad para DFC, SFC, ALFF y FA mediante la perturbación de los canales de entrada y la observación de las respuestas específicas de clase. Esto permite la inspección cualitativa de patrones cerebrales relevantes para el modelo sin reclamar causalidad clínica.

3. Configuración Experimental y Resultados

El marco fue evaluado en tres conjuntos de datos independientes: GUTCM (cohorte local), ADNI y OASIS. Los experimentos utilizaron un protocolo de validación cruzada estratificada de cinco pliegues.

• Líneas Base Controladas por Modalidad: Para asegurar una comparación justa, los autores reimplementaron varios métodos del Estado del Arte (SOTA) (por ejemplo, Fang et al., Gao et al., He et al.) adaptando sus interfaces de entrada para aceptar el conjunto de cuatro características unificado (DFC+SFC+ALFF+FA) mientras preservaban sus arquitecturas centrales originales.
• Rendimiento en GUTCM: NeuroAlign logró un rendimiento superior en múltiples tareas diagnósticas (SCD/HC, MCI/SCD, MCI/HC y la tarea de tres clases MCI/SCD/HC) en comparación con las líneas base adaptadas. Notablemente, mostró mejoras significativas en las puntuaciones F1 y la precisión para las tareas más desafiantes de MCI/SCD y de tres clases, sugiriendo que el diseño jerárquico distingue eficazmente estados cognitivos adyacentes.
• Rendimiento en ADNI y OASIS: NeuroAlign logró resultados competitivos, con una precisión de 0.825 en ADNI y 0.735 en OASIS. Aunque la ganancia de precisión en ADNI sobre la línea base más fuerte reportada (Cao et al.) fue numéricamente pequeña, NeuroAlign demostró una mejora en la sensibilidad (recall) (0.900 vs. 0.840), indicando una mejor sensibilidad hacia los sujetos con MCI.
• Transferibilidad entre Datasets: Experimentos preliminares de transferencia mostraron una transferibilidad parcial. Los modelos entrenados en GUTCM o ADNI se transfirieron razonablemente bien a OASIS, pero los modelos entrenados únicamente en el subconjunto más pequeño de OASIS funcionaron peor cuando se transfirieron a conjuntos de datos más grandes. Esto resalta los vacíos de dominio persistentes debido a las diferencias en escáneres y protocolos.
• Estudios de Ablación:
  • Eliminar los componentes DMHA y DDHI (dejando una fusión de cuatro características no alineada) resultó en una caída significativa del rendimiento (Precisión: 0.565 vs. 0.825), caracterizada por una alta precisión pero una sensibilidad (recall) muy baja. Esto confirma que la alineación estructurada es necesaria para prevenir el conflicto y el desequilibrio de características.
  • Reemplazar los objetivos de alineación contrastiva propuestos (DSA/FSA) con Similitud de Coseno o pérdida MMD resultó en un menor rendimiento, validando la necesidad de una alineación discriminativa a nivel de sujeto.

4. Análisis de Atribución

Utilizando SAM, los autores visualizaron los patrones relevantes para el modelo:

• Dominio de Conectividad: DFC y SFC destacaron conexiones dinámicas y estáticas que involucran la Red de la Modo Predeterminado (DMN), la Red Frontoparietal (FPN) y regiones como el precúneo, la cingulina posterior y el giro angular.
• Dominio Regional: Los mapas de ALFF y FA destacaron la actividad estructural y funcional en el área motora suplementaria, el giro frontal superior, el putamen y el tálamo.
• Consistencia: El análisis reveló patrones parcialmente consistentes a través de las modalidades (por ejemplo, precúneo y regiones parietales), lo que respalda la hipótesis de que la degeneración funcional y estructural son covariantes.

5. Significado y Reivindicaciones

Los autores posicionan a NeuroAlign no como una solución definitiva para el despliegue clínico, sino como un enfoque estructurado para abordar limitaciones específicas en la fusión de neuroimágenes multimodales. Las reivindicaciones clave incluyen:

• Fusión Estructurada: El marco modela con éxito la alineación e interacción entre modalidades (fMRI/DTI), escalas temporales (DFC multi-escala) y dominios (regional/conectividad), conduciendo a representaciones más discriminativas.
• Rendimiento Equilibrado: El método mejora el equilibrio entre la sensibilidad (recall) y la especificidad, particularmente en la distinción de transiciones cognitivas sutiles (por ejemplo, MCI vs. SCD).
• Interpretabilidad: El módulo SAM proporciona una nueva forma de inspeccionar la atribución de características en entornos multimodales, ofreciendo evidencia derivada del modelo para los patrones cerebrales asociados con el deterioro cognitivo.
• Modestia sobre la Generalizabilidad: Los autores declaran explícitamente que, si bien el método muestra un rendimiento competitivo y una transferibilidad parcial, persisten brechas de dominio significativas debido a la heterogeneidad de los protocolos de adquisición. Advierten que la escala actual (incluso con >500 participantes) es insuficiente para la generalización a nivel poblacional y que los resultados deben verse como evidencia preliminar para el aprendizaje de representaciones multimodales más que como utilidad clínica validada.

El artículo concluye que, aunque NeuroAlign ofrece una dirección prometedora para la fusión multimodal estructurada, el trabajo futuro requiere cohortes multicéntricas más grandes, estrategias de armonización y validación prospectiva antes de su traslación clínica.