A Latent ODE Approach to Spatiotemporal Modeling of Cine Cardiac MRI

Resumen Técnico: Un enfoque de ODE latente para el modelado espaciotemporal de la RM cardíaca cine

Planteamiento del problema
La resonancia magnética cardíaca (RMC) proporciona datos espaciotemporales ricos sobre la estructura y el movimiento ventricular. Sin embargo, los modelos de riesgo clínico convencionales dependen de un conjunto limitado de índices diseñados manualmente (p. ej., la fracción de eyección del ventrículo izquierdo, la deformación miocárdica) derivados de fases cardíacas aisladas, típicamente la diástole final y la sístole final. Este enfoque comprime la anatomía de alta dimensión en resúmenes estáticos e ignora la continuidad del tiempo, la coordinación y la trayectoria de todo el ciclo cardíaco. En consecuencia, las anomalías sutiles en la contracción y relajación ventricular que pueden portar señales pronósticas suelen pasar desapercibidas. Además, los modelos espaciotemporales existentes suelen tratar el tiempo como una secuencia discreta y normalizada, fallando al no considerar la realidad fisiológica de que el cronometraje de los fotogramas varía con la frecuencia cardíaca y que la sístole y la diástole ocupan fracciones diferentes del ciclo entre los sujetos.

Metodología
Los autores proponen un modelo dinámico latente condicionado por covariables que codifica la anatomía biventricular y el movimiento de ciclo completo como una trayectoria latente continua. El marco integra tres componentes principales:

1. Autoencoder de malla basado en grafos: El modelo opera sobre mallas ventriculares 3D registradas por vértices con una topología fija. Un codificador de Red Neuronal de Grafos (GNN) procesa secuencias de mallas fotograma a fotograma, preservando la conectividad anatómica. Un Transformer agrega estas incrustaciones (embeddings) fotograma a fotograma para inferir una distribución posterior aproximada sobre un estado latente específico del sujeto en la diástole final ($t=0$).
2. ODE Neuronal sensible a la frecuencia cardíaca: En lugar de pasos temporales discretos, el modelo emplea una Ecuación Diferencial Ordinaria (ODE) Neuronal para evolucionar el estado latente continuamente a lo largo del ciclo cardíaco. El campo vectorial es impulsado por una variable de fase latente $\theta(t)$, la cual se deriva mediante una función de deformación de fase (phase warping) monótona y aprendible que depende de la frecuencia cardíaca. Esto permite al modelo estirar o comprimir el tiempo para ajustarse a las fases fisiológicas, acomodando variaciones en la tasa de fotogramas y la frecuencia cardíaca.
3. Prior condicionado por covariables y análisis de supervivencia: Un Perceptrón Multicapa (MLP) define un prior gaussiano sobre el estado latente de la diástole final condicionado por covariables (edad, sexo y superficie corporal). El entrenamiento variacional minimiza la cota inferior de la evidencia (ELBO), fomentando que la posterior capture las desviaciones específicas del sujeto respecto a esta norma fisiológica. Para la predicción de riesgo descendente, estas desviaciones se estandarizan para crear incrustaciones residuales, que se introducen en un modelo de riesgos proporcionales de Cox penalizado para predecir la insuficiencia cardíaca incidente.

Contribuciones clave

• Dinámica latente continua: La introducción de una ODE latente de tiempo continuo para el modelado de RMC de ciclo completo, permitiendo trayectorias suaves definidas en fases arbitrarias en lugar de fotogramas discretos.
• Representaciones fisiológicamente estructuradas: Un prior condicionado por covariables que organiza el espacio latente según variaciones fisiológicas conocidas (edad, sexo, BSA), aislando las desviaciones patológicas para el modelado de riesgo.
• Deformación de fase sensible a la frecuencia cardíaca: Un mecanismo para desacoplar las variaciones de tiempo exógenas (frecuencia cardíaca) de la dinámica cardíaca intrínseca, abordando la relación no lineal entre el tiempo del reloj y la fase fisiológica.
• Evaluación a gran escala: Una evaluación exhaustiva en 72,386 participantes del UK Biobank, demostrando la utilidad de las características espaciotemporales latentes en la predicción de la insuficiencia cardíaca incidente.

Resultados
El modelo fue evaluado en un subconjunto de control del cohort de UK Biobank (367 eventos de insuficiencia cardíaca incidente) frente a líneas base clínicas establecidas y arquitecturas alternativas:

• Desempeño pronóstico: Añadir la puntuación latente ($r_{lat}$) a las ecuaciones de cohortes agrupadas reajustadas (PCP-HF) mejoró el índice C estratificado para la predicción de insuficiencia cardíaca de 0.704 (solo PCP-HF) a 0.785. Esto superó a un modelo que utiliza siete índices de RMC convencionales ($r_{conv}$), el cual alcanzó un índice C de 0.764.
• Comparación arquitectónica: El modelo propuesto GNN+ODE logró el mejor equilibrio entre la fidelidad de reconstrucción (menores errores euclidianos y angulares), el realismo generativo y el desempeño pronóstico en comparación con las líneas base lineales, basadas en Fourier, basadas en Transformers y el estado del arte (MeshHeart).
• Validez generativa: El modelo reprodujo con éxito las tendencias conocidas dependientes de la edad y el sexo en fenotipos cardíacos (p. ej., la atenuación de la LVEF relacionada con la edad en hombres, el aumento del grosor de la pared en mujeres), confirmando que el prior condicionado por covariables captura una variación fisiológica realista.
• Interpretabilidad: La visualización de sujetos de alto riesgo reveló patrones de remodelación distintos (p. ej., remodelación concéntrica frente a dilatación) capturados por las desviaciones de la posterior respecto al prior, lo que sugiere que el modelo identifica diversas vías hacia la insuficiencia cardíaca.

Significancia y Reclamaciones
El artículo afirma que el modelado continuo del ciclo completo de la dinámica ventricular proporciona fenotipos cardíacos informativos que van más allá de los resúmenes de RMC convencionales. Al capturar la trayectoria espaciotemporal completa en lugar de instantáneas estáticas, el modelo descubre señales pronósticas relacionadas con el tiempo y la coordinación del movimiento cardíaco. Los autores concluyen que, si bien las desviaciones espaciotemporales latentes añaden un valor pronóstico significativo, se requiere una validación externa en cohortes de pacientes más representativas antes de que el modelo pueda ser utilizado para la predicción de riesgo clínico. El trabajo se posiciona como un paso hacia modelos más expresivos, fisiológicamente plausibles y escalables para estudiar la relación entre la forma, el movimiento cardíaco y el riesgo cardiovascular futuro.