Resumen Técnico: Redes Bayesianas con Embebimiento de Tiempo Latente para el Modelado Causal de la Progresión de la Enfermedad de Alzheimer con Conciencia de Etapa

1. Planteamiento del Problema

La progresión de la enfermedad de Alzheimer (EA) se conceptualiza tradicionalmente a través de la cascada amiloide–tau–neurodegeneración (AT(N)). Sin embargo, los modelos longitudinales existentes enfrentan dos limitaciones principales:

1. Secuenciación Fija vs. Pronóstico de Caja Negra: La mayoría de los modelos tratan la cascada AT(N) como una secuencia rígida y fija de biomarcadores o como una tarea de pronóstico de "caja negra". Esto oscurece cuándo las relaciones guiadas biológicamente influyen en la patología regional futura.
2. Falta de Interpretación Estructural con Conciencia de Etapa: Aunque los modelos de estadificación de la enfermedad alinean a los individuos a lo largo de ejes latentes, suelen fallar al estimar efectos posteriores dirigidos que vinculen los perfiles de biomarcadores basales con el cambio de tau regional posterior. Por el contrario, los modelos de propagación biofísica asumen dinámicas estacionarias, y los modelos de aprendizaje automático carecen de interpretabilidad biológica respecto a los mecanismos dependientes de la etapa.

El desafío central es desarrollar un modelo que alinee a los individuos por etapa de la enfermedad (sin utilizar resultados futuros), conecte los perfiles multimodales iniciales con la acumulación de tau regional futura y aclare cómo las relaciones entre biomarcadores varían a lo largo de la línea de tiempo de la enfermedad.

2. Metodología: BN-LTE

Los autores proponen Redes Bayesianas con Embebimiento de Tiempo Latente (BN-LTE), un marco estructural bayesiano diseñado para el modelado con conciencia de etapa. La metodología consta de tres componentes vinculados:

A. Estimación del Tiempo de la Enfermedad Latente

BN-LTE asigna a cada sujeto una coordenada de etapa de la enfermedad escalar $Z_i \in [0, 1]$ derivada únicamente de los perfiles de biomarcadores basales en la visita índice.

• Enfoque Primario: Utiliza el componente principal de una matriz de entrenamiento normalizada (vía SVD) para mapear las puntuaciones a una escala de pseudotiempo [0, 1], orientada de tal manera que valores más altos indiquen una mayor carga patológica. Crucialmente, esta estimación excluye los objetivos de PET de tau regional y pTau217 para evitar la fuga de datos (data leakage).
• Variante Alternativa: Se evalúa un modelo de tiempo latente monótono de AT(N), que estima trayectorias suaves para grupos de biomarcadores restringidas por la direccionalidad biológica y el orden de AT(N), sirviendo como una auditoría mecanística del eje de estadificación lineal.

B. Grafo de Transición Restringido por AT(N)

El marco define un grafo acíclico dirigido donde las dependencias están restringidas por un ordenamiento AT(N) biológicamente admisible:

• Capas: Las variables se ordenan como $Root \prec Fluid \prec Pathology \prec Neurodegeneration \prec Clinical$.
• Estructura: Las variables raíz (edad, sexo, educación, APOE $\varepsilon$4) y los biomarcadores fluidos actan como posibles padres. Las variables clínicas son tratadas como sumideros. La historia propia regional ($Y^0_{ij}$) se modela por separado.
• Factorización: El modelo factoriza la probabilidad de las tasas de acumulación de tau regional ($R_{ij}$) condicionada a las mediciones basales, la historia propia y el tiempo de la enfermedad latente $Z_i$.

C. Ecuaciones Estructurales de Variación de Splines en el Posteriore

En lugar de coeficientes fijos, BN-LTE modela el efecto de las variables padre sobre la acumulación de tau como funciones del tiempo de la enfermedad.

• Ecuación: $R_{ij} = a_j(Z_i) + c_j(Z_i)Y^0_{ij} + b_j(Z_i)^\top X^0_{i, pa(j)} + \epsilon_{ij}$.
• Implementación: Las funciones de coeficiente ($a_j, c_j, b_j$) se expanden utilizando bases de splines cúbicos. Esto permite que las relaciones de los biomarcadores se fortalezcan o debiliten suavemente a lo largo de la línea de tiempo latente de la enfermedad.
• Inferencia: Se utiliza regresión bayesiana conjugada para obtener posteriors analíticos para las ecuaciones estructurales, cuantificando la incertidumbre en las curvas de efecto y la actividad de las aristas.

D. Pronóstico e Intervención

El modelo predice la carga futura de tau ($\hat{Y}^1_i$) y soporta intervenciones implicadas por el modelo mediante la fórmula-g. Al sustituir las variables padre por valores de referencia dentro de las ecuaciones estructurales ajustadas, el modelo estima cambios dependientes de la etapa en las tasas de acumulación de tau.

3. Contribuciones Clave

1. Red de Transición Bayesiana Restringida por AT(N): Introduce un marco donde los efectos de los padres de variación de splines en el posterior caracterizan cómo evolucionan las relaciones de los biomarcadores a través del tiempo de la enfermedad latente, tratando la cascada AT(N) como un sistema estructural variable según la etapa y testeable, en lugar de una secuencia fija.
2. Evaluación Integral: Evalúa BN-LTE en datos longitudinales de tau-PET de ADNI1 (541 participantes, 796 pares) con divisiones de sujetos repetidos y disjuntos. Incluye un análisis de robustez entre cohortes en OASIS3 y comparaciones contra líneas base de vanguardia que abarcan categorías biofísicas, de aprendizaje automático, de aprendizaje profundo y de aprendizaje de grafos.
3. Descubrimiento de Mecanismos Dependientes de la Etapa: Identifica empíricamente una ventana de sensibilidad al amiloide de tiempo-pseudomedio para la acumulación futura de tau. Este hallazgo es validado mediante contrastes de la fórmula-g en el posterior, AIPW (Ponderación de Probabilidad Inversa Aumentada) ajustado por raíz, ablaciones sensibles al mecanismo y análisis de robustez a través de especificaciones de splines y de prior.

4. Resultados Experimentales

Desempeño Cuantitativo

• Reconstrucción Espacial: En el benchmark ADNI, BN-LTE logró la mejor correlación de Spearman del mapa delta ($\rho_\Delta = 0.84$) y ocupó el segundo lugar en Error Absoluto Medio (MAE) y captura de progresión Top-3 entre 12 líneas base.
• Comparación: BN-LTE superó a los modelos de propagación biofísica fijos (ej. Modelo de Difusión de Red) y a las líneas base competitivas de aprendizaje profundo/aprendizaje de grafos en la preservación de la organización anatómica y la dirección del cambio futuro de tau.
• Robustez: En la cohorte más pequeña OASIS3, las variantes de BN-LTE mantuvieron señales de progresión basadas en rangos competitivas a pesar de tener menos pares emparejados y canales de biomarcadores faltantes.

Hallazgos Mecanísticos

• Ventana de Amiloide de Tiempo-Pseudomedio: El modelo identificó que la sensibilidad al amiloide no es constante; alcanza su punto máximo durante la etapa media de la enfermedad. Esto fue confirmado por:
  • Ablaciones: El uso de pseudotiempo aleatorio o invertido debilitó esta señal, mientras que la variante monótona de AT(N) la preservó.
  • Contrastes de Intervención: La reducción de amiloide implicada por el modelo produjo la mayor reducción de la tasa en el tiempo-pseudomedio ($-0.0082$ SUVR/año).
  • Validación Observacional: El AIPW estratificado por etapa mostró la asociación más fuerte de amiloide observacional en el estrato de tiempo-pseudomedio (ATE 0.0366), alineándose con la ventana de intervención.
• Estabilidad: La señal de la ventana de amiloide se mantuvo positiva a través de variaciones en el tamaño de la base del spline ($K_B=3-6$) y las escalas de los priors, aunque fue sensible a la selección de los padres (vías biológicas).

Calibración

La calibración de la incertidumbre varió con los supuestos de la estructura de los residuos (ej. diagonal por nodo vs. bajo rango), pero las predicciones puntuales (MAE, $\rho_\Delta$) se mantuvieron estables. El modelo mostró una cobertura confiable en las etapas temprana a media, donde el solapamiento de muestras era suficiente.

5. Significado y Reivindicaciones

El artículo posiciona a BN-LTE como un marco estructural bayesiano que cierra la brecha entre el pronóstico espacial y la interpretación mecanística en la progresión de la EA.

• Más allá de las Cajas Negras: A diferencia de los predictores supervisados que optimizan únicamente las métricas de error, BN-LTE expone modelos estructurales de efectos de biomarcadores dependientes de la etapa.
• Hipótesis Testeables: Al tratar la cascada AT(N) como un sistema computacionalmente testeable, el marco genera hipótesis anatómicas y biológicamente interpretables, específicamente respecto al cronometraje de la influencia del amiloide sobre la tau.
• Alcance Modesto: Los autores señalan que el estrato de etapa tardía tuvo un soporte de datos limitado (12 pares), lo que impide conclusiones definitivas sobre la dinámica de la etapa tardía. La contribución principal es la demostración de una señal de progresión coherente en la etapa media y la capacidad metodológica para desenredar los efectos dependientes de la etapa de las correlaciones estáticas.

El código se pone a disposición para facilitar el modelado estructural adicional de datos neuroimágenes observacionales longitudinales.