CPAgents: Agentic Composite Phenotype Generation for Cardiac Disease Association

Resumen Técnico: CPAgents – Generación de Fenotipos Compuestos Agénticos para la Asociación con Enfermedades Cardíacas

Planteamiento del Problema
La identificación de asociaciones robustas entre los fenotipos de imagen cardíaca y las enfermedades clínicas es crítica para la investigación cardiovascular a escala poblacional y la estratificación del riesgo. Sin embargo, los actuales Estudios de Asociación de Fenotipo-ancho (PheWAS) enfrentan limitaciones significativas. Estos dependen predominantemente de fenotipos de una sola variable predefinidos o de características diseñadas por expertos. Este enfoque restringe la capacidad de capturar efectos no lineales clínicamente significativos e interacciones entre fenotipos. Además, aunque existe la construcción automatizada de características, los métodos existentes carecen a menudo de un control explícito de los factores de confusión, salvaguardas numéricas y la interpretabilidad requerida para el descubrimiento de fenotipos a gran escala en cohortes heterogéneas. El desafío radica en navegar la estructura de dependencia redundante, de alta dimensión y compleja de los rasgos derivados de imágenes sin incurrir en una carga excesiva de pruebas múltiples o producir hallazgos inestables e ininterpretables.

Metodología: El Marco de Trabajo CPAgents
Los autores proponen CPAgents, un marco de trabajo agéntico e iterativo diseñado para construir y validar automáticamente fenotipos compuestos interpretables a partir de características de imagen cardíaca base. El sistema opera mediante una coordinación de bucle cerrado de tres agentes especializados:

1. Perfilado Estadístico (Agente Analista):
   Antes de generar nuevas características, el Analista perfila sistemáticamente el conjunto de características actual ($F^{(t)}$) para descubrir las características de los datos. Genera cinco informes estadísticos:

   • Evaluación de la forma univariante (usando $\Delta$AIC entre modelos logísticos lineales y de splines) para detectar la no linealidad.
   • Caracterización distributiva (asimetría, curtosis, valores atípicos).
   • Tamizaje de interacción de pares mediante información mutua.
   • Análisis de efecto de grupo (correlación intraclase y V de Cramér) para evaluar estandarizaciones seguras a nivel de grupo.
   • Clustering de redundancia basado en matrices de correlación absoluta.
     Estos diagnósticos se comprimen en recomendaciones estructuradas para la siguiente fase.

2. Generación de Transformaciones (Agente Proponente):
   Guiado por las pistas del Analista, el Proponente genera nuevos candidatos de características compuestas ($f_{cand}$) utilizando un Modelo de Lenguaje de Gran Escala (LLM). La generación está restringida a un espacio de operadores predefinido $O$ (Árboles de Sintaxis Abstracta - AST) para garantizar la validez y la seguridad. Los candidatos se producen mediante tres llamadas al LLM con una proporción de 2:2:1:

   • Prioridades Médicas (40%): Características derivadas del conocimiento clínico interno del LLM (por ejemplo, proporciones fisiológicas establecidas).
   • Transformaciones Estadísticas (40%): Características que abordan informes estadísticos específicos (por ejemplo, aplicar log1p a distribuciones de cola pesada).
   • Matemáticas Exploratorias (20%): Combinaciones matemáticas seguras y automatizadas para descubrir patrones latentes.
   • Mecanismos de Seguridad: El sistema impone salvaguardas numéricas, como la adición de un término de suavizado ($\epsilon = 10^{-9}$) a los operadores de división para evitar la división por cero. Los candidatos fallidos son sometidos a un nuevo intento de reparación.

3. Filtrado Multietapa y Validación (Agente Verificador):
   El Verificador evalúa los candidatos mediante un proceso de cribado riguroso:

   • Verificación de Utilidad Marginal: Evalúa el $\Delta$AUC aislado.
   • Selección de Estabilidad: Utiliza la regularización ElasticNet para penalizar correlaciones espurias.
   • Deduplicación: Elimina características redundantes mediante clustering estadístico y coincidencia de texto basada en AST.
   • Importancia Global: Utiliza valores SHAP de un modelo LightGBM para clasificar las características.
   • Aceptación Global: Los principales candidatos se someten a validación de modelos cruzados (SVM, LDA, AdaBoost, MLP) en un conjunto de datos de retención (hold-out). Una actualización del conjunto de características ocurre solo si la métrica compuesta $S = 0.5 \cdot \text{AUC} + 0.5 \cdot \text{Recall}$ mejora en al menos dos de los cuatro modelos. El proceso emplea la detención temprana tras tres rechazos consecutivos.

Contribuciones Clave

1. Descubrimiento Agéntico Iterativo: Formula el descubrimiento de fenotipos como un bucle iterativo de analizar-proponer-verificar, permitiendo la construcción automática de fenotipos compuestos dentro de un conjunto de operadores restringido y seguro.
2. Composición Informada por la Estadística: Integra el análisis de la estructura estadística (distribuciones, redundancia, correlaciones) con un cribado basado en principios y métricas de validación cruzada para mitigar el sobreajuste inducido por la selección.
3. Resultados Interpretables y Reproducibles: Genera fórmulas compactas de forma cerrada con trazas de construcción transparentes y resúmenes de evidencia, lo que facilita la auditoría y replicación posterior.

Resultados Experimentales
El marco fue evaluado en la cohorte de imagen cardíaca de UK Biobank (26,893 participantes) a través de nueve categorías de enfermedades clínicas (por ejemplo, hipertensión, enfermedad cardíaca, EPOC, diabetes).

• Rendimiento: A través de 72 combinaciones de clasificador–enfermedad–métrica, las variantes de CPAgents alcanzaron el rango superior en 56 casos, comparado con 18 para los métodos de referencia (características definidas por expertos y MESHAgents). El método superó consistentemente a los métodos de referencia en las nueve categorías de enfermedades.
• Estudios de Ablación: Eliminar el Agente Verificador causó la degradación de rendimiento más severa (el AUC cayó de 0.686 a 0.590), resaltando su papel crítico en el filtrado de candidatos inestables.
• Interpretabilidad: Los fenotipos compuestos descubiertos demostraron un coeficiente de Silueta de 0.413, aproximadamente 1.5 veces mayor que las características definidas por expertos (0.276), lo que indica una mejora significativa en la separabilidad de los clústeres y la distinción de clases.
• Patrones de Asociación: Los mapas de calor de las asociaciones entre enfermedades y fenotipos mostraron que los fenotipos compuestos producen patrones de asociación más concentrados y consistentes en comparación con los rasgos de una sola variable.

Significancia y Reivindicaciones
El artículo afirma que CPAgents permite el descubrimiento escalable de asociaciones más fuertes entre fenotipos y enfermedades que van más allá de la selección de características dirigida por expertos. Al construir automáticamente fórmulas compactas y clínicamente interpretables, el marco aborda las limitaciones del modelado lineal y la ingeniería de características manual. Los autores enfatizan que su enfoque genera "rastros de evidencia transparentes", lo que permite el descubrimiento de efectos no lineales e interacciones entre fenotipos que son robustos a la heterogeneidad de la cohorte. Este trabajo posiciona a los sistemas agénticos como una solución viable para cerrar la brecha entre los datos de imagen de alta dimensión y la estratificación de riesgo clínico confiable e interpretable.