A neighbour selection approach for identifying differential networks in conditional functional graphical models

=== BROUILLON ===
Voici un résumé technique détaillé de l'article « A neighbour selection approach for identifying differential networks in conditional functional graphical models. »

Énoncé du problème

L'article traite du défi que représente l'estimation et la comparaison des réseaux de connectivité fonctionnelle cérébrale dérivés de données d'électroencéphalographie (EEG). Plus précisément, il cherche à quantifier comment les dépendances conditionnelles entre différentes régions cérébrales (représentées par des fonctions aléatoires multivariées) varient en relation avec des covariables externes, telles que l'âge, le statut clinique ou la sévérité de la maladie.

Les méthodes existantes pour les modèles graphiques fonctionnels supposent souvent une structure de réseau statique pour tous les échantillons ou sont limitées à la gestion d'une seule covariable binaire (par exemple, la comparaison de deux groupes distincts). De plus, de nombreuses approches peinent face aux contextes de haute dimension, à l'efficacité computationnelle ou à la capacité de stimuler simultanément un réseau de population de référence et des réseaux différentiels spécifiques tout en caractérisant la direction de changement de la force d'interaction. Les auteurs notent que les techniques statistiques rigoureuses pour estimer de manière robuste ces structures de dépendance conditionnelle et leurs variations restent une question ouverte dans les contextes cliniques.

Méthodologie

Les auteurs proposent une nouvelle approche de sélection de voisins entièrement automatisée et pilotée par les données, basée sur des modèles graphiques fonctionnels gaussiens et une régression fonctionnelle sur fonction (fof). Le cœur de la méthodologie repose sur les étapes suivantes :

1. Cadre statistique :

   • Le problème est modélisé à l'aide d'un processus gaussien multivarié (MGP) où les nœuds représentent des capteurs EEG (fonctions) et les arêtes représentent les dépendances conditionnelles.
   • Les auteurs introduisent un modèle graphique fonctionnel conditionnel où la structure du graphe $G(x)$ dépend d'un vecteur de covariables $X$.
   • Au lieu d'estimer l'intégralité de la matrice de précision, la méthode formule l'identification des voisins pour chaque nœud $j$ comme un problème de régression fonctionnelle sur fonction (fof). Les coefficients de régression $\beta_{j,k}(t, t')$ sont modélisés pour dépendre linéairement des covariables :
     $$\beta_{j,k}(t, t') = \beta^0_{j,k}(t, t') + \sum_{c=1}^q \beta^c_{j,k}(t, t') X_c$$
   • Ici, $\beta^0$ représente le réseau de base (au niveau de la population), et $\beta^c$ capture le réseau différentiel associé à la $c$-ième covariable.

2. Réduction de dimension et approximation :

   • Pour rendre la régression fof à dimension infinie traitable, les fonctions observées sont projetées sur une base orthonormée spécifique à chaque nœud (déterminée via l'analyse en composantes principales fonctionnelles, FPCA).
   • Cela transforme le modèle fof en un problème de régression linéaire vecteur-sur-vecteur (vov) à dimension finie impliquant des scores de projection.

3. Estimation via les moindres carrés pénalisés :

   • Les matrices de coefficients de régression sont estimées à l'aide d'une approche de moindres carrés pénalisés par le lasso de groupe (group-lasso). Cela induit une parcimonie au niveau du bloc (c'est-à-dire que des arêtes entières sont sélectionnées ou supprimées).
   • L'optimisation est résolue à l'aide de la méthode de multiplication des directions alternées (ADMM).
   • Les hyperparamètres (force de régularisation et seuils) sont sélectionnés automatiquement via une validation croisée sélective (SCV) avec une pénalité de type BIC.

4. Construction du réseau et interprétation :

   • Réseau de population ($G_0$) : Dérivé des coefficients de base $\beta^0$.
   • Réseaux différentiels ($G_c$) : Dérivés des coefficients $\beta^c$, identifiant les arêtes où l'association conditionnelle varie avec la covariable $X_c$.
   • Symétrisation : Étant donné que la sélection des voisins est effectuée indépendamment pour chaque nœud, l'ensemble final des arêtes non orientées est récupéré à l'aide de règles de symétrisation OR ou AND.
   • Direction du changement : Une caractéristique unique de la méthode est le calcul d'un taux de variation (VR). En comparant la norme du bloc de coefficient de base à la somme des blocs de base et différentiels, la méthode détermine si une interaction est renforcée ($VR > 1$) ou atténuée ($VR < 1$) à mesure que la valeur de la covariable augmente.

Contributions clés

• Cadre unifié pour les covariables continues et catégorielles : Contrairement aux méthodes précédentes qui ne gèrent souvent que des comparaisons de groupes binaires, cette approche peut incorporer simultanément n'importe quel nombre de covariables continues et catégorielles.
• Décomposition explicite : La méthode sépare explicitement l'estimation en un réseau de niveau population et des réseaux différentiels spécifiques à la covariable au sein d'un seul problème d'optimisation, plutôt que d'estimer des graphes séparés et de les soustraire.
• Interprétabilité de la force d'interaction : L'approche fournit un mécanisme pour évaluer directement si la force d'une interaction estimée augmente ou diminue avec une covariable, offrant ainsi plus de perspectives cliniques qu'une simple détection d'arêtes.
• Scalabilité : En estimant la structure du graphe nœud par ligne, la méthode évite de définir une matrice de précision complète, ce qui la rend efficace sur le plan computationnel et adaptable aux contextes de haute dimension (grand nombre de régions cérébrales).

Résultats

Les auteurs ont évalué la méthode à travers des études de simulation approfondies et une application à des données EEG réelles concernant le trouble de l'usage de l'alcool.

• Étude de simulation :

  • La méthode a été comparée à FuDGE (Functional Differential Graph Estimation) et à trois bases de jointure de lasso graphique (FGL, FFGL, FFGL2).
  • À travers divers scénarios (variations de tailles d'échantillon, de nombres de nœuds et de structures de réseau), la méthode proposée a démontré des performances supérieures ou comparables dans la récupération des réseaux différentiels, particulièrement dans les contextes de haute dimension.
  • La méthode a obtenu des scores F1 élevés (dépassant 0,75 pour les réseaux différentiels et approchant 0,9 pour les réseaux de population) lorsque les tailles d'échantillon étaient suffisantes (spécifiquement, quand la taille de l'échantillon du groupe $n/2 \geq 150$, ou $n/2 \geq 200$ pour le cas où le nombre de nœuds $p=50$).
  • La stratégie de symétrisation OR s'est avérée supérieure à la stratégie AND pour la récupération des réseaux différentiels.

• Application aux données réelles :

  • Appliquée à un ensemble de données EEG publiques (Ingber 1997 ; Zhang et al. 1995) distinguant les consommateurs d'alcool de ceux des groupes témoins sains.
  • La méthode a identifié avec succès des motifs de connectivité distincts et a démontré des avantages en termes de coût computationnel et de précision d'estimation par rapport aux approches existantes.

Signification et affirmations

L'article affirme que son cadre proposé offre une approche structurée pour étudier comment les structures de dépendance cérébrale varient en fonction de facteurs cliniques et démographiques. Les auteurs soulignent que leur méthode :

1. Surmonte les limitations actuelles de l'analyse statistique de la connectivité EEG en gérant simultanément de multiples covariables hétérogènes.
2. Fournit des résultats interprétables, permettant aux chercheurs d'évaluer directement la direction du changement (renforcement vs affaiblissement) des connexions cérébrales par rapport aux covariables.
3. Réduit le coût computationnel, la rendant adaptée aux données fonctionnelles de haute dimension où d'autres méthodes basées sur les opérateurs peuvent être inefficaces.
4. Est générale et applicable à un large éventail de contextes au-delà de l'EEG, à condition que les données puissent être modélisées comme des processus gaussiens multivariés.

Les auteurs concluent que, bien que l'utilisation de la connectivité fonctionnelle EEG en milieu clinique reste limitée, leur technique statistique rigoureuse fournit un outil robuste pour identifier des marqueurs opportuns des troubles en caractérisant la variation des structures de dépendance conditionnelle. Une implémentation en code ouvert de la méthode est fournie pour faciliter la recherche ultérieure.