Resumen Técnico: Pronóstico Longitudinal con Conciencia de la Incertidumbre de la Progresión de la Enfermedad de Alzheimer mediante Aprendizaje Profundo

1. Planteamiento del Problema

Los enfoques actuales de aprendizaje profundo para modelar la progresión de la enfermedad de Alzheimer (EA) suelen reducir el problema a una clasificación de un solo paso, tratando las categorías de cognitivamente normal (CN), deterioro cognitivo leve (MCI) y demencia como categorías planas y no ordenadas. Esta formulación no logra capturar la estructura ordinal clínicamente significativa de la progresión de la enfermedad y proporciona una visión limitada de cómo se acumula la incertidumbre en visitas futuras. Además, las predicciones de puntos estándar no distinguen entre la incertidumbre aleatoria (ruido inherente de los datos y variabilidad de la enfermedad) y la incertidumbre epistémica (ignorancia del modelo debido a datos de entrenamiento limitados o no representativos).

Los autores argumentan que los modelos clínicamente útiles deben responder a preguntas más ricas: ¿Cómo evolucionará probablemente un paciente a lo largo de varios años? ¿Cuál es el rango de futuros plausibles? ¿Está el modelo incierto porque el curso de la enfermedad es variable, o porque el fenotipo del paciente está subrepresentado en los datos de entrenamiento? Esta distinción es crítica para el despliegue, particularmente cuando los modelos encuentran cohortes fuera de la distribución (OOD).

2. Metodología

El artículo propone un marco probabilístico unificado que integra la predicción de diagnóstico ordinal, la generación de trayectorias autoregresivas y la estimación de la incertidumbre descompuesta. La arquitectura consta de tres componentes principales:

2.1. Codificador de Transformador de Fusión Temporal (TFT) Ordinal

Los autores adaptan el Transformador de Fusión Temporal (TFT) para codificar historias longitudinales de pacientes.

• Manejo de Entradas: El modelo procesa covariables estáticas (sexo, educación, estado de APOE) y características variables en el tiempo (biomarcadores de RM, puntuaciones cognitivas, subpuntuaciones de CDR) utilizando Redes de Selección de Variables (VSN) y Redes Residuales con Compuerta (GRN).
• Salida Ordinal: En lugar de la entropía cruzada estándar, el codificador utiliza una capa de salida CORAL (Regresión Ordinal Basada en Correlación). Esto impone consistencia de rango mediante el uso de pesos compartidos a través de clasificadores de umbral binario, asegurando que clasificar erróneamente a un CN como demencia sea penalizado más fuertemente que clasificar a un CN como MCI.
• Estrategia de Entrenamiento: El modelo emplea ponderación de pérdida asimétrica y sobremuestreo de convertidores para priorizar los eventos de transición críticamente clínicos de MCI a demencia.
• Codificación de Tiempo Continuo: El TFT se modifica para manejar espaciamientos irregulares de las visitas (6–12 meses) utilizando codificaciones posicionales de tiempo continuo.

2.2. Generador de Trayectorias Probabilísticas Autoregresivas

Condicionado al vector de contexto del codificador TFT fijo, una Red de Densidad de Mezcla (MDN) autoregresiva genera trayectorias probabilísticas de cinco años.

• Mecanismo: Una GRU mantiene un estado oculto que evoluciona a lo largo de futuros pasos de tiempo ($H=10$, espaciados cada 6 meses). En cada paso, la cabeza MDN parametriza una mezcla gaussiana de 3 componentes para los objetivos de biomarcadores (CDR-SB, orientación MMSE, volumen hipocampal).
• Transición de Diagnóstico: Los estados de diagnóstico se muestrean de una distribución de transición ordinal aprendida. Una máscara de imposibilidad estricta ($\mathcal{M}$) impone restricciones clínicas, prohibiendo transiciones hacia atrás (ej. demencia a MCI) y saltos de un solo paso (ej. CN a demencia).
• Muestreo: Durante la inferencia, se muestrean 200 trayectorias por paciente. Se entrena un Autoencoder Variacional (VAE) sobre estas muestras para identificar cuatro arquetipos de progresión: Estable, Declive Lento, Declive Moderado y Progresión Rápida.

2.3. Estimación de la Incertidumbre Descompuesta

La incertidumbre predictiva total se descompone utilizando la ley de la varianza total:
$$\text{Var}[\hat{b}] = \underbrace{\mathbb{E}_\theta[\text{Var}[\hat{b}|\theta]]}_{\text{Aleatoria}} + \underbrace{\text{Var}_\theta[\mathbb{E}[\hat{b}|\theta]]}_{\text{Epistémica}}$$

• Incertidumbre Aleatoria: Estimada analíticamente a partir de la varianza de la mezcla MDN en una sola pasada hacia adelante, capturando el ruido de datos irreducible.
• Incertidumbre Epistémica: Estimada utilizando un ensamble profundo de 5 miembros de generadores de trayectorias entrenados con diferentes semillas aleatorias. Los autores encontraron que el remuestreo de bootstrap de los datos de entrenamiento (en lugar de solo la inicialización de pesos) produjo la mayor diversidad de codificadores y las señales epistémicas más distintas.

3. Contribuciones Clave

1. Fusión Temporal Ordinal: Adaptación del TFT con CORAL y pérdida asimétrica para respetar la naturaleza ordenada de las etapas de la EA mientras se priorizan los eventos de conversión.
2. Generación de Trayectorias Probabilísticas: Ir más allá de las predicciones de puntos para generar trayectorias multimodales de varios años que representan múltiples futuros plausibles en lugar de un único camino determinista.
3. Descomposición de la Incertidumbre: Separación de la incertidumbre aleatoria y la epistémica para distinguir entre la variabilidad inherente de la enfermedad y la ignorancia del modelo.
4. Validación Externa OOD (Fuera de la Distribución): Evaluación en la cohorte OASIS-3 (no vista durante el entrenamiento) para caracterizar los cambios de covariables y validar si la incertidumbre epistémica aumenta cuando la fiabilidad de la predicción disminuye.

4. Resultados Experimentales

4.1. Clasificación de la Siguiente Visita (ADNI)

En el conjunto de prueba ADNI, el TFT propuesto superó a las líneas base lineales, recurrentes (LSTM) y de Transformer estándar en todas las métricas.

• Desempeño: Logró un Kappa Ponderado Cuadrático (QWK) de 0.897 y una Exactitud Balanceada de 0.883.
• Consistencia Ordinal: La formulación CORAL redujo la tasa de violación ordinal a casi cero (0.000–0.001), mientras que las líneas base sin restricciones mostraron mayores violaciones.
• Detección de Conversión: El modelo mostró las mayores ganancias en la métrica de discriminación de MCI versus demencia (AUCMD: 0.961), demostrando una mejor sensibilidad a los eventos de conversión.

4.2. Generación de Trayectorias

• Calibración: El modelo logró una cobertura de intervalo de credibilidad (CI) nominal del 90% (94.1% para CDR-SB, 96.5% para MMSE, 89.4% para Hipocampo).
• Nitidez (Sharpness): Los anchos de los CI se ensancharon monotonicamente a lo largo del horizonte de 60 meses, reflejando correctamente la incertidumbre compuesta.
• Plausibilidad: Las trayectorias generadas respetaron las tendencias biológicas (aumento de CDR-SB, disminución de MMSE y volumen hipocampal). El tiempo de mediana hasta la conversión para pacientes con MCI fue de 2.0 años, ligeramente más corto que las estimaciones epidemiológicas (3–5 años), lo que sugiere un posible sesgo hacia la conversión inminente.

4.3. Análisis de Incertidumbre

• Descomposición: La incertidumbre aleatoria dominó para todos los biomarcadores, pero la incertidumbre epistémica fue no despreciable (7.9%–10.3% de la varianza total).
• Sensibilidad de Arquetipos: La incertidumbre epistémica fue significativamente mayor para los arquetipos de Progresión Rápida (10.7%) y Declive Moderado (10.3%) en comparación con los grupos de Estable (5.5%) y Declive Lento (3.3%).
• Sensibilidad de Diagnóstico: La incertidumbre epistémica aumentó con la gravedad de la enfermedad: CN (7.1%), MCI (26.7%) y Demencia (35.5%).

4.4. Evaluación Fuera de la Distribución (OOD) (OASIS-3)

Al aplicarse a OASIS-3 sin ajuste fino:

• Brecha de Desempeño: El QWK cayó 0.166 y el AUCMD 0.158, consistente con el cambio de covariables identificado (ej. población más edad, mayor prevalencia de demencia).
• Alineación de la Incertidumbre: La incertidumbre epistémica aumentó significativamente (1.21x–1.47x) en OASIS-3, mientras que la incertidumbre aleatoria permaneció estable.
• Correlación de Error: Se encontró una correlación positiva ($r=0.341$) entre la incertidumbre epistémica y el error de predicción. Los registros con alta incertidumbre epistémica fueron más propensos a ser clasificados erróneamente, validando la señal de incertidumbre como un proxy para la fiabilidad del modelo en nuevas cohortes.

5. Significancia y Reivindicaciones

Los autores afirman que este marco demuestra el valor de modelar la progresión de la EA como un proceso longitudinal probabilístico en lugar de una secuencia de decisiones de clasificación aisladas.

• Utilidad Clínica: Al distinguir entre la incertidumbre debida a la heterogeneidad del paciente (aleatoria) y la incertidencia debida a la evidencia limitada de entrenamiento (epistémica), el modelo proporciona señales clínicamente significativas. Una alta incertidumbre epistémica puede señalar casos donde las predicciones deben tratarse con cautela, como arquetipos de progresión raros o pacientes de cohortes externas.
• Seguridad en el Despliegue: Los resultados sugieren que el modelo es "consciente" de sus propias limitaciones; ante cambios en la distribución (OASIS-3), se vuelve menos confiado en lugar de excesivamente confiado, una propiedad crítica para el despliegue seguro de IA clínica.
• Aprendizaje Ordinal: El estudio confirma que tratar las etapas de la enfermedad como clases ordenadas mejora significativamente la detección de transiciones clínicamente críticas (MCI a demencia) en comparación con los enfoques de clasificación plana.

El artículo concluye que, si bien el modelo es prometedor, persisten limitaciones, incluyendo un ligero sesgo hacia la sobreestimación de la velocidad de conversión y la necesidad de una mayor validación en poblaciones más diversas y no occidentales. El marco sirve como base para un apoyo a la decisión clínica más cauteloso e informativo respecto al pronóstico y la planificación del seguimiento.