📊 statistics

From Persistence to Survival: Hypothesis Testing, Effect Sizes and Vectorisation for Topological Features

El artículo presenta STRAND, un marco novedoso que trata los diagramas de persistencia como datos de supervivencia para proporcionar simultáneamente una prueba de hipótesis no paramétrica estadísticamente rigurosa, tamaños de efecto interpretables y un vector de características estable para el aprendizaje automático, todo derivado de una única representación coherente.

Autores originales: Juliette Murris, Bernadette Stolz, Karsten Borgwardt

Publicado 2026-06-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Juliette Murris, Bernadette Stolz, Karsten Borgwardt

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una bolsa de canicas. Algunas son grandes, otras pequeñas, algunas son rojas, otras azules. En el mundo del Análisis de Datos Topológicos (TDA), los científicos utilizan una herramienta llamada "Homología Persistente" para observar las formas de los datos (como una nube de puntos o una red de conexiones) y convertirlas en estas "bolsas de canicas".

Cada canica representa una característica de la forma:

Un punto conectado (como una isla solitaria).
Un bucle (como un anillo o el agujero de una dona).
Un vacío (como el espacio vacío dentro de una burbuja).

Para cada característica, la herramienta registra dos números: Nacimiento (cuando aparece por primera vez mientras haces zoom) y Muerte (cuando desaparece). La diferencia entre estos dos números se llama Persistencia. Una característica que dura mucho tiempo es una señal "fuerte" (como el agujero de una dona real). Una característica que aparece y desaparece instantáneamente es usualmente solo "ruido" (como una mota de polvo).

El Problema: Dos Kits de Herramientas Separados

Hasta ahora, los científicos tenían un problema de personalidad dividida al tratar con estas bolsas de canicas:

Los Estadísticos querían preguntar: "¿Son las canicas del Grupo A diferentes de las del Grupo B?". Tenían pruebas para responder esto, pero no podían decirte qué tanto eran diferentes, ni cuáles canicas específicas eran las culpables.
Los Ingenieros de Aprendizaje Automático (Machine Learning) querían alimentar una computadora con estas canicas para hacer predicciones (como "¿Es esta proteína un fármaco?"). Necesitaban convertir la bolsa de canicas en una lista fija de números (un vector). Pero las herramientas que utilizaban no ayudaban con las preguntas estadísticas.

Era como tener una herramienta para medir la altura de un árbol y una herramienta completamente diferente para adivinar su edad, sin forma de conectarlas.

La Solución: STRAND (Análisis de Representación de Supervivencia de Diagramas Topológicos)

Los autores presentan STRAND, un nuevo método que trata estas características topológicas como pacientes en un estudio de supervivencia hospitalaria.

La Analogía Creativa: El "Hospital de Características"

Imagina que cada característica topológica (cada canica) es un paciente que entra en un hospital.

Tiempo de Nacimiento: El momento en que el paciente es admitido.
Tiempo de Muerte: El momento en que el paciente se va (o fallece).
Persistencia: El tiempo total que el paciente permaneció en el hospital.

STRAND hace una pregunta simple: "¿Cuánto tiempo se quedan los pacientes del Grupo A en el hospital comparado con el Grupo B?"

En lugar de solo contar canicas, STRAND construye una Curva de Supervivencia. Esta es una gráfica que responde: "¿Qué porcentaje de las características siguen 'vivas' (persistiendo) después del tiempo $t$ ?"

Lo que STRAND hace (Los Tres Superpoderes)

1. El "Juez Justo" (Prueba de Hipótesis)
STRAND utiliza una prueba médica clásica llamada Prueba de Log-Rank (usada normalmente para comparar tasas de supervivencia de fármacos) para comparar los dos grupos.

El Resultado: Da una respuesta clara de "Sí/No": "¿Son estos dos grupos de formas estadísticamente diferentes?".
El Bono: A diferencia de los métodos antiguos, funciona incluso si solo tienes una cantidad minúscula de muestras (como solo dos diagramas).

2. El "Detective" (Tamaños de Efecto Interpretables)
Los métodos antiguos solo daban un "p-valor" (un número que dice que es diferente). STRAND te da la historia detrás de la diferencia.

Te dice la Razón de Riesgo (Hazard Ratio): "Las características en el Grupo B mueren un 15% más rápido que en el Grupo A".
Te dice la Diferencia de Mediana: "El promedio de las características en el Grupo A dura 3 segundos más".
Te muestra exactamente dónde en la línea de tiempo los grupos se separan. Puedes ver si la diferencia ocurre en las características de "vida corta" (ruido) o en las de "vida larga" (estructura real).

3. El "Traductor" (Vectorización para IA)
Para permitir que las computadoras aprendan de esto, STRAND toma esa Curva de Supervivencia y la fragmenta en una lista fija de números (un vector).

La Magia: Esta lista de números se deriva de la misma curva exacta utilizada para la prueba estadística.
El Benefio: Las características que la computadora usa para hacer una predicción son las mismas características que el estadístico probó para determinar su significancia. No hay desconexión.
Eficiencia: Crea una lista de números muy corta (por ejemplo, 50 números) en comparación con otros métodos que podrían crear miles, lo que lo hace mucho más rápido de procesar para las computadoras.

Verificaciones del Mundo Real (Lo que el artículo realmente encontró)

Los autores probaron STRAND de tres maneras:

Formas Sintéticas: Crearon datos falsos (como donas y esferas 4D) con formas conocidas y añadieron ruido. STRAND identificó correctamente las diferencias y controló las falsas alarmas.
Benchmarks de Clasificación: Probaron STRAND en 14 conjuntos de datos diferentes (moléculas, redes sociales, formas 3D). STRAND funcionó tan bien como los mejores métodos existentes para clasificar estas formas, pero con mucha menos información y una computación más rápida.
Conectividad Cerebral (Estudio de Autismo): Aplicaron STRAND a datos de escaneos cerebrales comparando niños y adultos.
- Hallazgo: Encontraron que los "bucles" (características H1) en las redes cerebrales de los niños tenían un "tiempo de supervivencia" diferente al de los adultos.
- Perspectiva: STRAND no solo dijo "son diferentes"; cuantificó que los bucles en los cerebros de los niños "morían" (desaparecían) más rápido que en los de los adultos, proporcionando una diferencia biológica medible.

Resumen

STRAND cierra la brecha entre hacer una pregunta ("¿Son estas formas diferentes?") y responderla con una predicción ("Aquí hay un número para alimentar a una IA"). Lo logra viendo las formas de los datos a través de la lente del análisis de supervivencia, convirtiendo las abstractas características topológicas en una historia sobre cuánto duran, permitiendo a los científicos medir, comparar y predecir con una herramienta única y coherente.

Resumen Técnico: De la Persistencia a la Supervivencia (STRAND)

Planteamiento del Problema

El Análisis de Datos Topológicos (TDA) utiliza la homología persistente para extraer descriptores basados en la forma de los datos, generando diagramas de persistencia (PD). Aunque los PD capturan eficazmente las características topológicas (componentes conectados, bucles, vacíos) a través de diversas escalas, presentan dos desafíos significativos para los profesionales:

Falta de Estadística Confirmatoria: Los métodos existentes para comparar PD son mayoritariamente descriptivos. Existe una escasez de pruebas de hipótesis fundamentadas que puedan confirmar diferencias topológicas entre grupos con un error de Tipo I calibrado y una alta potencia estadística, particularmente cuando los tamaños de muestra (número de diagramas) son pequeños.
Incompatibilidad con el Aprendizaje Automático: Los PD son multiconjuntos de cardinalidad variable, lo que los hace incompatibles con los algoritos de aprendizaje automático estándar que requieren entradas vectoriales de dimensión fija.
Herramientas Desconectadas: Las soluciones actuales abordan estos problemas por separado. Los métodos de vectorización (p. ej., Imágenes de Persistencia, Paisajes) permiten la clasificación pero carecen de capacidades de inferencia estadística. Por el contrario, los métodos de prueba de hipótesis (p. ej., pruebas de permutación sobre distancias de Wasserstein) generan valores p pero no proporcionan tamaños de efecto interpretables, localización de diferencias o una representación unificada para la predicción posterior. Esto obliga a los profesionales a utilizar herramientas separadas para la inferencia y la predicción, rompiendo el vínculo interpretativo entre las características significativas y las características predictivas.

Metodología: STRAND

Los autores introducen STRAND (Survival Topological Representation ANalysis of Diagrams), un marco que unifica la prueba de hipótesis y la vectorización al mapear los diagramas de persistencia hacia datos de supervivencia.

Concepto Central: La Persistencia como Supervivencia

STRAND trata el valor de persistencia $p = d - b$ de cada característica topológica (donde $b$ es el nacimiento y $d$ es la muerte) como un "tiempo-hasta-el-evento" totalmente observado.

La Función de Supervivencia de la Persistencia: El objeto central se define como $S(t) = P(p > t)$ , que representa la probabilidad de que una característica elegida al azar persista más allá de la escala de filtración $t$ .
Estimación: Para una colección de diagramas, STRAND emplea el estimador de Kaplan-Meier para calcular la función de supervivencia empírica $\hat{S}(t)$ y el estimador de Nelson-Aalen para el peligro acumulado. El método contempla la estructura de "entrada tardía" de los PD (las características solo son observables entre el nacimiento y la muerte) mediante la truncación a la izquierda.

Componentes Clave

Prueba de Hipótesis (Sección 3.2):
- STRAND compara dos grupos de PD probando la hipótesis nula $H_0: S_A(t) = S_B(t)$ contra la alternativa de que difieren para algún $t$ .
- Utiliza la prueba de log-rank, un estadístico no paramétrico que compara los eventos observados frente a los esperados bajo la hipótesis nula.
- Tamaños de Efecto: A diferencia de los métodos que solo arrojan valores p, STRAND proporciona tamaños de efecto interpretables, incluyendo razones de riesgo (hazard ratios, bajo supuestos de riesgos proporcionales) y diferencias de mediana de persistencia ( $\Delta_{med}$ ), junto con intervalos de confianza de bootstrap. También localiza las diferencias a través del eje de persistencia utilizando curvas de Kaplan-Meier.
Vectorización (Sección 3.3):
- La misma función de supervivencia $\hat{S}(t)$ utilizada para las pruebas se discretiza en una rejilla fija para producir un vector de características de dimensión fija.
- Estabilidad: Se demuestra que el vector resultante es estable en la 1-Wasserstein. El Teorema 3.1 establece que la distancia entre los vectores STRAND está acotada por la distancia 1-Wasserstein entre los diagramas de entrada, lo que garantiza la robustez ante el ruido y pequeñas perturbaciones.
- Eficiencia: El método produce vectores de baja dimensión (p. ej., 50–100 características) en comparación con las alternativas de alta dimensión como las Imágenes de Persistencia, reduciendo los costes computacionales para los clasificadores posteriores.

Resultados Clave

1. Validación Estadística (Variedades Sintéticas)

Control del Error de Tipo I: Los experimentos en variedades sintéticas (toro 4D, botella de Klein, esfera 3D) con ruido controlado muestran que STRAND mantiene tasas de error de Tipo I calibradas consistentes con el $\alpha$ nominal de 0.05, incluso en presencia de correlaciones dentro del diagrama (elder rule).
Potencia Estadística: STRAND demuestra una alta potencia incluso con tamaños de muestra muy pequeños. En los datos del toro 4D, alcanza una potencia >90% con tan solo dos diagramas por grupo, aprovechando la abundancia de características topológicas dentro de cada diagrama.
Detección de Señal: El método distingue con éxito la señal (variedad) de las características de ruido, con valores p de log-rank consistentemente por debajo de 0.05 en diversos regímenes de probabilidad de señal.

2. Benchmarks de Clasificación

Desempeño: STRAND fue evaluado en 14 conjuntos de datos (10 conjuntos de datos de grafos de TU Dortmund y 4 conjuntos de datos de nubes de puntos 3D).
- En los conjuntos de datos de grafos, STRAND alcanzó una precisión competitiva (promedio 61.5%), comparable a las vectorizaciones de vanguardia como las Imágenes de Persistencia (PI) y el Kernel de Sliced Wasserstein (SWK).
- En los conjuntos de datos de nubes de puntos 3D, STRAND alcanzó la precisión promedio más alta (79.5%), superando a PI (76.7%) y otros modelos de referencia, con márgenes significativos en conjuntos de datos multiclasificación complejos.
Eficiencia Computacional: STRAND ofrece una reducción masiva en la dimensionalidad de las características (30–85 $\times$ menor que las Imágenes de Persistencia) y en el tiempo de computación. Para grandes conjuntos de datos (p. ej., ModelNet10), los métodos basados en kernels se volvieron inviables debido a su complejidad $O(N^2)$ , mientras que STRAND se mantuvo tratable.

3. Caso de Estudio: Conectividad Cerebral en el Autismo

Aplicado al conjunto de datos ABIDE para comparar la conectividad funcional cerebral entre niños (<13) y adultos ( $\ge$ 18).
STRAND detectó diferencias de desarrollo significativas en las estructuras de bucle ( $H_1$ ) a través de tres atlas cerebrales, cuantificando el efecto con razones de riesgo ($HR > 1$, indicando una menor persistencia en niños).
A diferencia de los métodos de referencia que solo proporcionaban valores p, STRAND reveló que la magnitud del efecto (HR) variaba con la resolución de la parcelación, proporcionando una caracterización matizada e interpretable del desarrollo topológico.

Significado y Reivindicaciones

El artículo afirma que STRAND es el primer método que proporciona prueba de hipótesis, tamaños de efecto interpretables y vectorización estable para diagramas de persistencia desde una única representación coherente.

Unificación: Une la brecha entre la inferencia estadística y el aprendizaje automático, asegurando que las características que impulsan la predicción sean las mismas que se prueban para su significancia.
Interpretabilidad: Al aprovechar la maquinaria del análisis de supervivencia, STRAND va más allá de los valores p escalares para ofrecer la localización de diferencias (vía curvas de Kaplan-Meier) y la cuantificación de la magnitud del efecto (vía razones de riesgo y diferencias de mediana).
Utilidad Práctica: El método es particularmente valioso en entornos que requieren estudios confirmatorios con muestras pequeñas (p. ej., descubrimiento de fármacos, imágenes biomédicas) donde entender la magnitud y la dirección de las diferencias topológicas es tan crítico como su existencia.

Los autores mantienen la modestia respecto al supuesto de riesgos proporcionales, señalando que, si bien la prueba de log-rank sigue siendo válida sin él, la interpretación de la razón de riesgo como un único efecto resumen requiere dicho supuesto. En casos de riesgos no proporcionales, recomiendan reportar las diferencias de mediana de persistencia junto con las curvas de supervivencia.