Resumen Técnico: SA-HGNN para el Reconocimiento de la Depresión Basado en EEG

Planteamiento del Problema

El Trastorno Depresivo Mayor (TDM) es una crisis de salud global líder, lo que requiere métodos de diagnóstico objetivos y automatizados. La electroencefalografía (EEG) se utiliza ampliamente para este propósito debido a su naturaleza no invasiva y su alta resolución temporal. Si bien las Redes Neuronales de Grafos (GNN) han emergido como un enfoque convencional para modelar la conectividad funcional cerebral, los métodos existentes enfrentan dos limitaciones críticas:

1. Modelado Estructural Inadecuado: La conectividad funcional del cerebro humano posee una estructura jerárquica inherente (por ejemplo, la topología de "club rico"). Las GNN estándar operan en el espacio euclidiano, el cual tiene dificultades para representar estructuras de tipo árbol jerárquico que crecen exponencialmente sin distorsión, lo que conduce a un modelado inexacto de la jerarquía latente en las redes afectadas por la depresión.
2. Topología Rígida y Ruido: Los enfoques existentes a menudo dependen de estructuras de grafos estáticas o no logran filtrar eficazmente los canales de ruido redundantes, lo que puede oscurecer los patrones topológicos auténticos de la red cerebral.

Metodología: Red Neuronal de Grafos Hiperbólica Adaptativa a la Muestra (SA-HGNN)

Para abordar estos desafíos, los autores proponen SA-HGNN, un marco diseñado para extraer la estructura jerárquica auténtica de las redes cerebrales afectadas por la depresión. La arquitectura consta de tres módulos centrales:

1. Construcción de Grafos Adaptativa a la Muestra (SAGC)

Este módulo construye dinámicamente topologías de redes cerebrales personalizadas para cada muestra, yendo más allá de las definiciones de grafos estáticos. Fusiona dos ramas:

• Rama de Prior Físico: Construye una topología espacial base ($A_{prior}$) basada en las coordenadas de los electrodos 10–20 estándar y distancias euclidianas.
• Rama de Correlación Específica de la Muestra: Deriva una matriz de similitud impulsada por datos ($A_{sim}$) a partir de características temporales extraídas mediante normalización L2 y proyección lineal.
• Fusión: La matriz de adyacencia final se forma fusionando las correlaciones específicas de la muestra (filtradas por una máscara aprendible) con el prior físico utilizando un escalar aprendible ($\lambda$). Esto proporciona priors estructurales mientras se adapta a las variaciones individuales.

2. Convolución de Grafos Hiperbólicos (HGC)

Para superar los cuellos de botella de representación en el espacio euclidiano, el modelo emplea geometría hiperbólica (específicamente el modelo de la bola de Poincaré) para capturar las relaciones jerárquicas latentes.

• Mapeo: Las características se mapean entre los espacios euclidiano e hiperbólico utilizando mapas exponenciales ($\text{exp}_0^c$) y logarítmicos ($\text{log}_0^c$).
• Convolución: El proceso implica proyectar las características euclidianas al espacio tangente, transformándolas al espacio hiperbólico, aplicando transformaciones lineales y agregando información estructural de los vecinos dentro del espacio tangente antes de mapear de regreso al espacio euclidiano. Esto permite que la red acomode el crecimiento exponencial de las estructuras jerárquicas inherentes a las redes cerebrales.

3. Agrupación por Atención (AP)

Este módulo filtra adaptativamente los canales de ruido altamente redundantes para preservar la topología jerárquica auténtica.

• Puntuación: Un nodo global aprendible interactúa con todos los nodos de los canales de EEG mediante autoatención de múltiples cabezales para calcular las puntuaciones de importancia de cada nodo.
• Coarceamiento: Se seleccionan los $K$ nodos superiores para generar un conjunto de características agrupadas y una matriz de adyacencia coarceada para las capas subsecuentes.
• Restricción de Pérdida: Se introduce una Pérdida de Uniformidad de AP ($L_{uni}$) para prevenir el sobre-suavizado y asegurar la diversidad representacional mediante la restricción de las características de los nodos descartados.

Función de Pérdida

La función de pérdida total combina tres términos:

1. Pérdida de Clasificación ($L_{cls}$): Pérdida de entropía cruzada estándar para el reconocimiento de la depresión.
2. Pérdida de Dispersión ($L_{sparse}$): Fomenta topologías de grafos más simples en el módulo SAGC.
3. Pérdida de Uniformidad ($L_{uni}$): Asegura la diversidad en el mecanismo de agrupación por atención.

Contribuciones Clave

El artículo reclama las siguientes contribuciones primarias:

• Arquitectura Novedosa: Es el primer trabajo en adoptar Redes Neuronales de Grafos Hiperbólicas para modelar la conectividad funcional jerárquica de las redes cerebrales del TDM.
• Construcción de Grafos Adaptativa a la Muestra: La introducción del módulo SAGC para construir dinámicamente topologías de redes cerebrales individualizadas, superando la rigidez de los grafos estáticos.
• Marco Integrado: El desarrollo de una arquitectura que combina la Convolución de Grafos Hiperbólicos y la Agrupación por Atención para capturar estructuras jerárquicas en el espacio hiperbólico mientras se filtran los canales ruidosos.
• Validación Empírica: Demostración de un rendimiento superior en paradigmas de EEG tanto de estado de reposo como relacionados con tareas en conjuntos de datos públicos.

Resultados Experimentales

El modelo fue evaluado en el conjunto de datos público HUSM, que contiene grabaciones de EEG de 34 pacientes con TDM y 30 controles sanos (HC) bajo dos paradigmas: Estado de reposo (HUSM-Rest) y Relacionado con tareas (HUSM-Task).

• Rendimiento: SA-HGNN logró resultados de vanguardia, superando a siete modelos basados en grafos de referencia (incluyendo DCGNN, GraphSleepNet y SDGCN).
  • HUSM-Rest: Logró un 95.24% de Exactitud y un 95.77% de F1 Score, superando al segundo mejor método (GraphSleepNet) por un 1.82% y 2.29%, respectivamente.
  • HUSM-Task: Logró un 94.26% de Exactitud y un 94.69% de F1 Score, superando al segundo mejor método (GCBNet) por un 0.39% y 0.42%.
• Estudio de Ablación: Los experimentos confirmaron que el modelo completo (combinando SAGC, HGC y AP) supera significativamente a las variantes que utilizan solo módulos únicos o emparejados, validando el efecto sinérgico de los componentes propuestos.
• Robustez: El análisis de sensibilidad mostró que el modelo mantiene un rendimiento estable a través de un rango de valores de hiperparámetros para la dispersión y los pesos de la pérdida de uniformidad.

Significancia y Reivindicaciones

Los autores afirman que SA-HGNN aborda eficazmente la distorsión estructural causada por el modelado de redes cerebrales jerárquicas en el espacio euclidiano. Al aprovechar la geometría hiperbólica, el modelo captura con mayor precisión la topología de "club rico" y los patrones jerárquicos latentes alterados en el TDM.

Además, la visualización de las matrices de adyacencia aprendidas reveló biomarcadores neurobiológicos consistentes con los hallazgos clínicos:

• Estado de Reposo: Hiperconectividad en las regiones centrales medias (asociada con la sobreactivación de la red de modo predeterminado).
• Estado de Tarea: Alteraciones notables en las regiones fronto-parietales izquierdas (vinculadas a déficits emocionales-cognitivos).

El artículo concluye que SA-HGNN proporciona un marco robusto y mitigador de ruido para capturar patrones de conectividad funcional anormales, ofreciendo una mejora significativa sobre las GNN tradicionales basadas en el espacio euclidiano para el diagnóstico automatizado del TDM.