Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages

Resumen Técnico: Los modelos fundacionales de EEG del sueño revelan la microestructura dentro de cada etapa

Declaración del problema
La medicina del sueño tradicional comprime la compleja polisomnografía (PSG) en una taxonomía tosca de cinco etapas (Vigilia, N1, N2, N3, REM) basada en criterios definidos por humanos. Aunque es clínicamente útil, esta "interfaz de cinco etapas" es intencionadamente con pérdida de información, lo que oscurece la fisiología individual, la dinámica relacionada con la edad y los eventos de vida corta dentro de cada etapa. El problema central abordado es si los modelos fundacionales de aprendizaje autosupervisado (SSL) pueden aprender representaciones del sueño que se extiendan más allá de este andamiaje tosco, codificando información de salud enriquecida mediante una microestructura de mayor resolución dentro de cada etapa.

Metodología
Los autores entrenaron Sleep2.0, un modelo fundacional de tipo Transformer basado en HuBERT, utilizando 11,261 registros de PSG nocturnos de siete conjuntos de datos públicos (MESA, MrOS, SHHS, WSC, SOF, CFS, NCHSDB). El modelo fue preentrenado mediante SSL en datos no etiquetados a través de un objetivo de predicción de pseudo-etiquetas enmascaradas de dos etapas, aprendiendo representaciones contextuales sin etiquetas de etapa explícitas.

Para aislar rigurosamente la fuente de las ganancias predictivas, el estudio empleó un diseño experimental estrictamente emparejado comparando tres arquitecturas:

1. Preentrenado con SSL (Sleep2.0): Entrenado en datos no etiquetados.
2. Preentrenado supervisado de cinco etapas: Una arquitectura idéntica preentrenada para predecir las etiquetas estándar de cinco etapas.
3. Desde cero (From-Scratch): La misma arquitectura entrenada desde una inicialización aleatoria en tareas de evaluación sin preentrenamiento.

La evaluación posterior se centró en representaciones de solo EEG (derivación central C3/C4) para alinearse con el monitoreo escalable en el hogar. Estos modelos fueron ajustados (fine-tuning) en el conjunto de datos APPLES ($n=1,044$ participantes no incluidos en el entrenamiento) para predecir métricas diagnósticas (AHI, estadificación del sueño), demografía (edad, sexo, IMC) y resultados funcionales (estado de ánimo, cognición).

Pasos analíticos clave incluyeron:

• Controles anidados: Comparación de las puntuaciones de SSL contra covariables, resúmenes de etapas reales, resúmenes espectrales y el modelo preentrenado de cinco etapas emparejado para probar el valor incremental.
• Cuantificación de la microestructura: Uso de barridos del Criterio de Información Bayesiana (BIC) sobre los embeddings intra-noche para determinar el número óptimo de microestados ($k$) y su mapeo con etapas canónicas ("mapeo Rosetta").
• Marco de meta-estados: Agrupación de microestados específicos de cada sujeto en un vocabulario compartido entre sujetos ($M=7$ meta-estados) para cuantificar la heterogeneidad dentro de la etapa.
• Anclaje fisiológico: Análisis de la potencia espectral (baja frecuencia, theta, sigma), densidad de husos (spindles) y morfología de la oscilación lenta dentro de los microestados derivados.

Resultos Clave

• Desempeño Predictivo: El preentrenamiento con SSL superó significativamente al entrenamiento desde cero en múltiples resultados (estadificación, AHI, IMC, edad, sexo, BDI, CI). En comparación con la línea base preentrenada de cinco etapas, el SSL mostró ventajas significativas para la predicción de IMC y edad en análisis de solo EEG. Las diferencias para AHI, sexo y resultados funcionales fueron menores, nominales o no fiables tras la corrección de la Tasa de Falso Descubrimiento (FDR).
• Valor Incremental: En modelos de regresión anidados que controlan por demografía, resúmenes de etapa y características espectrales, las puntuaciones derivadas de SSL retuvieron un valor predictivo incremental significativo para la edad, el IMC y el AHI. El modelo de cinco etapas preentrenado mostró asociaciones más débiles con estos residuos, particularmente para la edad y el IMC.
• Descubrimiento de la Microestructura:
  • Geometría: Los embeddings de SSL recuperaron autónomamente la geometría global del andamiaje de cinco etapas sin etiquetas, pero soportaron un número significativamente mayor de microestados (mediana $k \approx 11$) en comparación con la línea base de cinco etapas ($k=5$).
  • Localización: La resolución adicional no fue uniforme; subdividió preferentemente las etapas N2 y Vigilia, que son conocidas por abarcar una fisiología heterogénea. Se encontró que N2 se subdividía en aproximadamente 5 microestados por registro.
  • Asociación de Fenotipos: Dentro de N2, diferentes microestados exhibieron asociaciones opuestas con los fenotipos. Por ejemplo, un meta-estado dominante de N2 se asoció positivamente con el AHI, mientras que otros se asociaron negativamente. Esto sugiere que colapsar la fisiología heterogénea de N2 en una sola etiqueta atenúa o cancela las señales relevantes para la salud.
  • Interpretabilidad Fisiológica: Los microestados de N2 derivados fueron fisiológicamente distintos, diferenciándose en potencia de baja frecuencia/theta, potencia de sigma, densidad de husos y morfología de la oscilación lenta. Por ejemplo, un microestado específico de N2 asociado con un mayor AHI mostró una menor densidad de husos y una morfología de oscilación lenta más fuerte.
• Utilidad de Cribado: Las puntuaciones derivadas de SSL demostraron una discriminación de moderada a fuerte para la severidad de la apnea (AUROC 0.762 para AHI $\ge$ 15) y la obesidad (AUROC 0.720 para IMC $\ge$ 30), con una calibración estable y utilidad de decisión positiva.

Significancia y Reivindicaciones
El artículo sostiene que los modelos fundacionales de aprendizaje autosupervisado no solo empaquetan de nuevo la arquitectura del sueño establecida, sino que descubren una microestructura de mayor resolución y anclada a las etapas que porta información de salud medible que se pierde en la estadificación convencional.

• Mecanismo de Ganancia: Las mejoras se atribuyen a la capacidad del modelo para preservar y organizar la heterogeneidad dentro de la etapa (particularmente en N2) que se colapsa mediante la interfaz de cinco etapas. Esto permite la detección de señales relacionadas con la edad, el IMC y la apnea que se ven oscurecidas cuando todos los episodios de N2 se tratan como una sola clase.
• Traslación Clínica: Los autores posicionan estas representaciones de solo EEG como resúmenes compactos y reutilizables para el cribado, el triaje y el descubrimiento de biomarcadores, en lugar de reemplazos de los estándares diagnósticos. Argumentan que estos modelos pueden servir como una ruta escalable para la evaluación continua de la salud, proporcionando proxies de "edad cerebral" y herramientas de estratificación de riesgo que se alinean con conceptos clínicos familiares mientras ofrecen una mayor resolución.
• Modestia: Los autores declaran explícitamente que los microestados y meta-estados son "resúmenes operativos" de la estructura representacional, no una taxonomía ontológica fija. Reconocen limitaciones, incluyendo la necesidad de validación prospectiva, el uso de EEG central en lugar de montajes frontales de consumo, y que la detección de eventos respiratorios sigue siendo el estándar diagnóstico para la apnea. El estudio enfatiza que el valor reside en añadir resúmenes de baja dimensión y anclados a las etapas al marco existente, no en descartarlo.