Resumen Técnico: Emparejamiento de Puentes de Schrödinger con Reponderación de Feynman–Kac para la Armonización de Tau PET Basada en Superficies

Planteamiento del Problema

Los estudios de neuroimagen multi-sitio son esenciales para aumentar el poder estadístico, pero se ven confundidos por la variabilidad no biológica derivada de las diferencias en escáneres, protocolos de adquisición y radiotrazadores. Esta variabilidad infla la varianza de los biomarcadores, reduce la sensibilidad a los efectos de la enfermedad y puede introducir un sesgo sistemático, particularmente cuando las distribuciones de los sitios covarían con las variables biológicas.

Aunque los métodos de armonización buscan eliminar los desplazamientos inducidos por el sitio, los enfoques existentes enfrentan limitaciones significativas en entornos no emparejados (donde no existen sujetos comunes entre sitios):

• Métodos estadísticos (p. ej., ComBat): Asumen efectos lineales y gaussianos y tratan las características de forma independiente, fallando al capturar interacciones no lineales.
• Métodos de aprendizaje profundo (p. ej., CycleGAN): Sufren de inestabilidad en el entrenamiento, colapso de modo (mode collapse) y la imposibilidad teórica del desenredo (disentanglement) no supervisado sin sesgos inductivos fuertes.
• Métchos basados en difusión: Dependen de la inyección de ruido, lo que presenta un compromiso (tradeoff) entre la adaptación de dominio y la preservación del contenido.

Existe una brecha crítica en la armonización basada en Puentes de Schrödinger (SB). Las implementaciones estándar de SB (p. ej., Diffusion Schrödinger Bridge Matching, DSBM) típicamente muestrean pares de extremos de forma independiente de la medida producto $\pi_0 \otimes \pi_1$. Cuando las cohortes de origen y destino difieren en su composición de subgrupos (p. ej., variaciones en las proporciones de sujetos tau-positivos y tau-negativos), este acoplamiento "agnóstico" puede mapear muestras de un subgrupo biológico a un subgrupo diferente en el dominio de destino simplemente debido a la prevalencia. Esto confunde las diferencias del trazador con la variación biológica, invalidando el propósito de la armonización. Además, aplicar SB a la neuroimagen basada en superficies es un desafío debido a la topología de malla no euclidiana de las superficies corticales.

Metodología

Los autores proponen el Emparejamiento de Puentes de Schrödinger con Reponderación de Feynman–Kac (FKRSBM), un marco diseñado para armonizar datos de tau PET basados en superficies mientras respeta las estructuras de los subgrupos biológicos.

1. Fundamento Teórico: SB con Regularización de Extremos

El método formula la armonización como un problema de transporte óptimo con regularización de entropía. Para evitar la confusión de los efectos del sitio con la variación biológica, los autores introducen una penalización de extremo $\Phi(X_0, X_1)$ que codifica el conocimiento previo sobre emparejamientos biológicamente significativos (p. ej., penalizando las discrepancias en el estado de positividad de tau).

El objetivo minimiza la divergencia de Kullback-Leibler (KL) entre la medida de trayectoria aprendida $P$ y una medida de referencia $R$, aumentada por un término de penalización:
$$P^*_\lambda \in \arg\min_{P \ll R, P_0=\pi_0} \left\{ KL(P \| R) + \lambda E_P[\Phi(X_0, X_1)] \right\}$$
donde $\lambda$ controla la fuerza de la penalización.

2. Reponderación de Feynman–Kac

Una contribución teórica clave es demostrar que este objetivo regularizado es equivalente a un emparejamiento de puentes estándar bajo una medida de referencia reponderada por Feynman–Kac $R_\lambda$.

• Mecanismo: La reponderación modifica el acoplamiento de los extremos (la distribución de los pares origen-destino) pero deja inalterada la dinámica del puente browniano condicional entre cualquier par fijo.
• Implementación: Esto permite que la restricción se implemente enteramente a nivel del muestreo de datos mediante un muestreo de importancia estratificado. El modelo no requiere cambios en la arquitectura de la red subyacente o en el resolvedor de emparejamiento de puentes.
• Muestreo: Durante el entrenamiento, los extremos de destino se muestrean de una propuesta condicional $q_\lambda(x_1|x_0) \propto \exp(-\lambda \Phi(x_0, x_1)) \pi_1(x_1)$ que empareja preferencialmente a sujetos con etiquetas biológicas coincidentes (p. ej., tau-positivo con tau-positivo).

3. Arquitectura Basada en Superficies

Para los datos de superficie cortical, FKRSBM emplea una columna vertebral de convolución esférica (U-Net de Superficie Condicional) que opera sobre mallas icosaédricas. Esta arquitectura respeta la geometría no euclidiana de la corteza, preservando la topología de la superficie durante la armonización a nivel de vértice.

4. Entrenamiento e Inferencia

• Entrenamiento: El modelo utiliza un proceso de dos etapas (preentrenamiento y ajuste fino) que involucra la regresión de la deriva (drift) hacia adelante y hacia atrás contra velocidades de puente browniano analíticas. Los pares de extremos se extraen de la propuesta reponderada por Feynman–Kac.
• Inferencia: La armonización se realiza integrando la ecuación diferencial estocástica (SDE) aprendida desde $t=0$ hasta $t=1$ utilizando el método Euler–Maruyama, partiendo de una muestra de origen.

Principales Contribuciones

1. Puente de Schrödinger en Superficies Corticales: El artículo introduce el primer marco de armonización basado en SB diseñado específicamente para mallas de superficie cortical, utilizando convoluciones esféricas para manejar la topología no euclidiana.
2. Transporte con Restricción de Extremos: Los autores formulan un objetivo de SB con regularización de extremos que evita que el transporte confunda los efectos técnicos del sitio con la heterogeneidad biológica. Demuestran que esto puede implementarse mediante la reponderación de Feynman–Kac de la propuesta de los extremos, lo que no requiere cambios arquitectónicos en el resolvedor.
3. Diseño Modular: La reponderación opera enteramente al nivel del muestreo de datos, lo que hace que la restricción sea modular y compatible con futuras mejoras en los resolvedores de SB.

Resultados

El método fue evaluado en mapas de SUVR de tau PET no emparejados, armonizando datos de PI-2620 del cohorte HABS-HD hacia el dominio de AV-1451 de ADNI. Se comparó contra ComBat, CycleGAN, un método basado en difusión (DF) y DSBM no regularizado.

• Alineación Distribucional: FKRSBM logró la Distancia de Wasserstein (WD) más baja y la reducción más fuerte de la separabilidad residual del sitio (el Somers' D más bajo) en ambos hemisferios, superando a todos los modelos base.
• Consistencia de Subgrupos: A diferencia de DSBM no regularizado, que mostró correcciones sistemáticas de sobre/sub-corrección en subgrupos estratificados, FKRSBM mantuvo la alineación tanto en los subgrupos tau-positivos como en los tau-negativos.
• Preservación de la Positividad de Tau: FKRSBM demostró la tasa más baja de cambios de estado de tau (2.6% hemisferio izquierdo, 3.0% hemisferio derecho) en comparación con DSBM (17.5% izquierda, 13.3% derecha). El DSBM no regularizado exhibió un fuerte sesgo hacia cambiar sujetos tau-negativos a positivos, un modo de falla mitigado por la reponderación.
• Estratificación Biológica: FKRSBM preservó mejor la separación entre portadores y no portadores de APOE ε4, mostrando estadísticas de Kolmogorov–Smirnov (KS) más bajas contra la distribución de destino dentro de estos subgrupos genéticos.
• Desempeño en Tareas de Diagnóstico: En tareas de clasificación diagnóstica (CN vs. AD, y CN vs. MCI vs. AD), FKRSBM produjo los puntajes F1 y la precisión más altos, indicando que los datos armonizados retuvieron la señal relevante para la enfermedad mientras reducían el ruido del sitio.

Significancia y Reivindicaciones

El artículo sostiene que FKRSBM aborda un fallo fundamental en la traducción de dominios no emparejados estándar: el riesgo de confundir la heterogeneidad biológica con los efectos técnicos del sitio cuando las composiciones de las cohortes difieren. Al imponer un transporte biológicamente consistente mediante la reponderación de Feynman–Kac, el método logra una alineación de distribución superior y preserva biomarcadores clínicos críticos (positividad de tau y estado de APOE) mejor que los enfoques estadísticos y de aprendizaje profundo existentes.

Los autores concluyen que el acoplamiento consciente de los extremos es crucial para la armonización en escenarios donde las cohortes de origen y destino difieren en la composición de sus subgrupos. Posicionan a FKRSBM como una solución con fundamentos sólidos que mejora tanto la alineación teórica como el desempeño práctico en experimentos de tau PET trans-trazador, señalando que el trabajo futuro debería extender el método a la armonización multi-sitio, covariables continuas y otras modalidades de imagen basadas en superficies.