invertmeeg: A Benchmark and Unified Python Library for EEGInverse Solvers

Este artículo presenta *invertmeeg*, una biblioteca unificada de Python que ofrece acceso consistente a 118 solvers de inversión EEG, junto con un benchmark congelado de 106 métodos evaluados en cuatro escenarios que demuestra que, aunque ningún solver domina en todos los regímenes, los métodos flexibles de subespacio e híbridos obtienen el mejor rendimiento general, mientras que los métodos bayesianos destacan en condiciones de fuentes extendidas y baja relación señal-ruido.

Lo esencial

Imagina que tu cerebro es una ciudad gigante y oscura, llena de millones de luces (las neuronas) que se encienden y apagan constantemente. Los científicos quieren saber exactamente dónde se encienden esas luces para entender cómo piensas, sientes o te mueves.

El problema es que no podemos ver dentro de la ciudad directamente. Solo tenemos sensores pegados en el exterior (el cuero cabelludo) que captan el "ruido" de las luces. Es como intentar adivinar qué habitaciones de un edificio están iluminadas solo mirando las sombras que proyectan las ventanas desde la calle.

Aquí es donde entra el problema inverso: tenemos las sombras (los datos del sensor), pero necesitamos reconstruir la fuente de la luz (la actividad cerebral).

¿Qué es este paper? (La "Guía de Viaje" y el "Kit de Herramientas")

Este documento presenta dos cosas principales que cambian las reglas del juego:

1. El "Kit de Herramientas" Unificado (invertmeeg)

Antes, los científicos tenían que usar diferentes cajas de herramientas para diferentes métodos. Unos usaban una caja en Python, otros en MATLAB, y cada una tenía sus propias reglas, lo que hacía imposible comparar quién era realmente el mejor.

Los autores han creado un gran almacén unificado llamado invertmeeg.

• La analogía: Imagina que antes tenías que ir a 100 tiendas diferentes para comprar 100 tipos de martillos, cada uno con un mango de un tamaño distinto. Ahora, invertmeeg es como una sola tienda gigante donde tienes 118 tipos de martillos (soluciones matemáticas) todos con el mismo mango.
• La ventaja: Puedes probar cualquier "martillo" con el mismo movimiento. Si uno funciona mejor, lo sabrás de verdad, no porque la caja de herramientas fuera más fácil de usar.

2. La "Carrera de Obstáculos" Congelada (El Benchmark)

Para ver qué martillo es el mejor, organizaron una carrera. Pero no es una carrera cualquiera; es una carrera congelada en el tiempo para que nadie pueda hacer trampas cambiando las reglas a mitad de camino.

• Los 4 escenarios de la carrera:
  1. El foco único: Una sola luz encendida en una habitación (fácil de encontrar).
  2. La fiesta: Varias luces encendidas a la vez en habitaciones diferentes (difícil de separar).
  3. La mancha: Una luz que no es un punto, sino una mancha grande que se extiende por varias habitaciones (como una nube de luz).
  4. La tormenta: Una luz encendida, pero con mucha lluvia y ruido exterior (muy difícil de ver).

El resultado de la carrera:
No hubo un solo "campeón universal".

• Si la luz es un punto pequeño, los métodos rápidos y "agresivos" ganan.
• Si la luz es una mancha grande o hay mucha tormenta (ruido), los métodos que usan probabilidad y estadística (métodos Bayesianos) son los mejores.
• Los métodos tradicionales que todos usaban antes (como el "MNE" o el "eLORETA") no fueron los ganadores en esta prueba específica; quedaron por detrás de métodos más modernos y flexibles.

¿Qué aprendemos de esto?

1. No existe la "bala de plata": No hay un solo algoritmo perfecto para todo. Depende de qué estés buscando (una luz puntual o una mancha grande) y de qué tan ruidoso esté el entorno.
2. La flexibilidad gana: Los métodos que pueden adaptarse (como los que usan "subespacios flexibles" o "hibridación") fueron los más consistentes. Imagina un detective que sabe cuándo usar una lupa y cuándo usar un mapa; esos ganaron.
3. La Inteligencia Artificial (IA) tiene un largo camino: Probaron redes neuronales (IA) en esta carrera. Aunque funcionaron mejor que el azar, todavía están muy lejos de los mejores métodos matemáticos clásicos en este momento. Es como si un novato con una cámara nueva estuviera compitiendo contra fotógrafos profesionales con décadas de experiencia; el novato tiene potencial, pero aún necesita más práctica.

En resumen

Los autores han construido un laboratorio estándar donde todos los métodos para "ver" dentro del cerebro pueden competir en igualdad de condiciones. Han creado una biblioteca de código libre (invertmeeg) para que cualquier investigador pueda usar estas herramientas sin tener que ser un experto en programación.

La moraleja: Para encontrar las luces en la ciudad oscura de tu cerebro, necesitas elegir la herramienta correcta para el tipo de luz y el clima que hay. Y ahora, gracias a este trabajo, tenemos el manual y las herramientas para saber cuál elegir.

Resumen técnico

Resumen Técnico: invertmeeg

1. El Problema

La imagen de fuentes en electroencefalografía (EEG) es un problema fundamental en neuroimagen funcional, pero su comparación sistemática ha sido históricamente difícil debido a la fragmentación del ecosistema de software.

• Dispersión: Los solucionadores inversos están distribuidos en diferentes paquetes (MNE-Python, Brainstorm, FieldTrip, SPM), lenguajes y protocolos de evaluación.
• Incompatibilidad: Las implementaciones suelen tener formatos de datos y interfaces incompatibles, y muchos algoritmos publicados carecen de código disponible o existen solo como scripts aislados.
• Falta de Comparabilidad: Esta fragmentación impide comparar métodos bajo condiciones controladas y unificadas, dificultando que los investigadores elijan la herramienta más adecuada para sus paradigmas experimentales específicos.

2. Metodología y Arquitectura

El artículo presenta dos contribuciones principales: un benchmark congelado (frozen benchmark) y una biblioteca de software unificada.

A. La Biblioteca invertmeeg
Es una biblioteca de código abierto en Python que unifica 118 solucionadores inversos bajo una interfaz de programación de aplicaciones (API) consistente, construida sobre el ecosistema de MNE-Python.

• Interfaz de dos pasos: Todos los solucionadores heredan de una clase base (BaseSolver) y siguen un flujo de trabajo estandarizado:
  1. make_inverse_operator(): Calcula el operador inverso a partir del modelo directo (forward model).
  2. apply_inverse_operator(): Aplica el operador a los datos de EEG (Evoked, Epochs o Raw).
• Características técnicas:
  • Factoría de Solucionadores: Uso de Solver("nombre") para instanciar métodos (ej. "eloreta", "champagne", "lcmv").
  • Regularización Unificada: Implementación compartida de selección de parámetros de regularización mediante Validación Cruzada Generalizada (GCV), Curva-L y Método del Producto.
  • Ponderación de Profundidad: Corrección automática del sesgo hacia la corteza superficial mediante ponderación de columnas en la matriz de campo de plomo.
  • Generación de Datos: Incluye un marco de simulación con modelos de fuentes de difusión y parches gaussianos contiguos, además de ruido de sensor estructurado realista.

B. El Benchmark Congelado
Se evaluaron 106 solucionadores en un entorno controlado y reproducible:

• Configuración: Montaje BioSemi-32, espacio de fuentes ico3 (1,284 dipolos de orientación fija).
• Escenarios de Evaluación: Cuatro escenarios que cubren diferentes configuraciones de fuentes:
  1. Focal: Un solo dipolo puntual (SNR moderado-alto).
  2. Múltiple Fuentes: 2-4 dipolos focales simultáneos (SNR bajo-moderado).
  3. Fuentes Extendidas: 2-4 parches corticales contiguos e irregulares (SNR moderado).
  4. Ruidoso (Low-SNR): Fuentes con extensión variable bajo condiciones de SNR muy bajas (-5 a 0 dB).
• Métricas:
  • Principal: Distancia del Transportista de Tierra (EMD) para evaluar la calidad de la reconstrucción espacial.
  • Secundarias: Precisión Promedio (AP), Error de Localización Medio (MLE), Correlación y Dispersión Espacial (SD).

3. Contribuciones Clave

1. Unificación: Creación de una librería única que expone 118 métodos (desde mínimos normales hasta redes neuronales profundas) con una API coherente.
2. Benchmark Riguroso: La primera evaluación sistemática a gran escala que compara familias de métodos dispares bajo el mismo modelo directo, ruido y protocolo.
3. Nuevos Algoritmos: Desarrollo de más de 30 variantes de solucionadores inéditos, muchos creados con la ayuda de agentes de IA (LLMs), incluyendo métodos híbridos y refinamientos bayesianos.
4. Marco de Simulación Realista: Uso de ruido de sensor estructurado (bajo rango, correlaciones espaciales) y modelos de fuentes geométricamente complejos (parches gaussianos contiguos) para evitar sesgos hacia geometrías ideales.

4. Resultados Principales

El análisis de los resultados revela que no existe un solucionador único que domine todos los regímenes; el rendimiento depende críticamente de la geometría de la fuente y el nivel de ruido.

• Rendimiento Global: Los métodos de escaneo de subespacio flexible (ej. FLEX-GreedyML, FLEX-SSM) y los métodos híbridos (ej. Hydra, Chimera) ocupan los primeros lugares en el ranking global.
• Escenario Focal y Múltiple: Los métodos de escaneo explícito de fuentes (como GreedyML y SSM) superan a las soluciones difusas de norma mínima.
• Fuentes Extendidas: Los métodos Bayesianos (especialmente Subspace-SBL+ y variantes de Champagne) y los métodos que modelan la extensión espacial (FLEX) muestran un rendimiento superior, recuperando mejor la estructura de los parches corticales.
• Baja Relación Señal-Ruido (SNR): Los métodos Bayesianos con aprendizaje de ruido (como Subspace-SBL) mantienen su rendimiento mejor que los beamformers y los métodos de norma mínima, gracias a sus priors probabilísticos reguladores.
• Aprendizaje Profundo: Los solucionadores de redes neuronales evaluados (CovCNN-KL, CovCNN, FC) superaron a la línea base de ruido aleatorio y algunos métodos clásicos, pero quedaron significativamente por detrás de los mejores solucionadores clásicos bajo el presupuesto de entrenamiento limitado utilizado en el benchmark.
• Eficiencia: Existe una clara compensación (trade-off) entre precisión y tiempo de inferencia. Los métodos de subespacio son muy rápidos (<2s), mientras que los métodos híbridos e iterativos son más precisos pero más lentos (>100s).

5. Significado e Impacto

• Guía Práctica: El estudio proporciona directrices claras para la selección de solucionadores según el escenario experimental (ej. usar Subspace-SBL para fuentes extendidas o ruidosas, y FLEX-SSM para fuentes focales rápidas).
• Reproducibilidad: Al empaquetar la simulación, la resolución y la evaluación en una sola herramienta, invertmeeg elimina los sesgos introducidos por comparaciones entre diferentes cajas de herramientas.
• Avance en el Estado del Arte: Demuestra que las combinaciones de métodos geométricos rápidos (escaneo de subespacio) con refinamientos estadísticos (Bayesianos) superan a los enfoques tradicionales de norma mínima en configuraciones realistas.
• Accesibilidad: Pone a disposición de la comunidad científica una infraestructura abierta para probar nuevos algoritmos y extender el benchmark a configuraciones de MEG o datos reales en el futuro.

En conclusión, invertmeeg establece un nuevo estándar para la evaluación de la imagen de fuentes en EEG, demostrando que la elección del algoritmo es crítica y que los métodos modernos basados en subespacios flexibles y refinamiento bayesiano ofrecen el mejor equilibrio entre precisión y robustez en condiciones realistas.