Latent-Space Causal Discovery from Indirect Neuroimaging Observations

Cet article présente INCAMA, un cadre conscient de la physique qui combine l'inversion dans l'espace latent avec un encodeur Mamba sensible aux délais pour reconstruire des structures causales neuronales dirigées à partir de signaux d'imagerie neurologique déformés, démontrant des performances supérieures aux méthodes de référence tant dans les simulations que sur des données fMRI réelles.

L'essentiel

Le Grand Problème : La « Fenêtre Boueuse »

Imaginez que vous essayez de comprendre qui parle à qui dans une pièce bondée, mais que vous ne pouvez pas voir les personnes. Vous n'entendez que le son qui traverse une fenêtre épaisse, brumeuse et déformée.

• Les Personnes : Ce sont les neurones de votre cerveau.
• La Conversation : Il s'agit de l'« influence causale » (une zone du cerveau disant à une autre de faire quelque chose).
• La Fenêtre : C'est le scanner cérébral (IRMf ou EEG).

Le problème est que la fenêtre déforme le son.

• IRMf (La Fenêtre Lente et Floue) : Le scanner n'entend pas directement les neurones. Il entend la réponse du flux sanguin, qui est comme un écho lent qui brouille le timing. Si la Personne A parle, le scanner pourrait penser que la Personne B a parlé en premier parce que l'écho est retardé.
• EEG (La Fenêtre Mélée) : Le scanner est placé sur le cuir chevelu, de sorte que le son provenant de différentes personnes se mélange avant d'atteindre le microphone. C'est comme entendre un chœur où l'on ne peut pas distinguer quel chanteur est quel.

À cause de cette distorsion, si vous regardez simplement les données brutes, vous pourriez penser que deux zones du cerveau sont connectées alors qu'elles ne le sont pas, ou vous pourriez manquer une connexion qui existe réellement.

La Solution : INCAMA (Le « Traducteur Intelligent »)

Les auteurs proposent une nouvelle méthode appelée INCAMA. Imaginez-la comme un traducteur en deux étapes qui nettoie le signal avant d'essayer de comprendre la conversation.

Étape 1 : Le Nettoyeur « Conscient de la Physique » (Inversion)

Avant d'essayer de trouver des connexions, INCAMA tente d'abord « annuler » la distorsion de la fenêtre.

• Pour l'IRMf : Il agit comme un outil spécialisé de suppression du flou. Il sait exactement comment le flux sanguin ralentit les signaux cérébraux (la réponse hémodynamique ou HRF) et inverse mathématiquement ce flou pour deviner à quoi ressemblait l'« étincelle » neuronale originale.
• Pour l'EEG : Il agit comme un mixeur de son qui sait comment le crâne mélange les signaux. Il tente de séparer le chœur mélangé pour retrouver les chanteurs individuels.

Point Crucial : Le papier affirme que cette étape est « consciente de la physique ». Il ne devine pas au hasard ; il utilise les lois connues de la physique (comment le sang circule, comment l'électricité traverse le crâne) pour guider le processus de nettoyage.

Étape 2 : Le « Détective » (Découverte Causale Latente)

Une fois les signaux nettoyés (restaurés à leur état « latent » ou caché), la deuxième partie d'INCAMA agit comme un détective.

• La Piste : Le détective cherche des changements. Le papier soutient que si les règles de la conversation changent légèrement au fil du temps (non-stationnarité) — par exemple, si le volume monte ou descend selon un schéma spécifique — vous pouvez déterminer qui mène la conversation.
• L'Outil : Il utilise une architecture d'IA moderne appelée Mamba (un type de « Modèle d'Espace d'États Sélectif »). Imaginez Mamba comme un bibliothécaire ultra-efficace capable de lire un livre très long (des heures de données cérébrales) et de se souvenir des détails les plus importants sans être submergé. Il cherche des schémas où l'activité d'une zone du cerveau prédit celle d'une autre, en cherchant spécifiquement des délais (par exemple, la Zone A change, et 2 secondes plus tard, la Zone B change).

La Théorie : Pourquoi Cela Fonctionne (Le « Filet de Sécurité »)

Les auteurs n'ont pas seulement construit un outil ; ils ont écrit une preuve mathématique pour expliquer quand cela fonctionne.

• La Garantie : Ils ont prouvé que si vous pouvez nettoyer le signal suffisamment bien (Étape 1), et si l'activité cérébrale change d'une manière qui fournit des indices (Étape 2), vous pouvez garantir mathématiquement que vous trouverez les vraies connexions.
• La Limite d'Erreur : Ils ont également prouvé que si votre étape de nettoyage n'est pas parfaite (ce qui n'est jamais le cas), la réponse finale ne sera pas un désastre total. L'erreur dans la réponse finale est directement liée à la gravité du défaut de nettoyage. C'est une « dégradation gracieuse » : si la fenêtre est un peu boueuse, la réponse est un peu floue, mais elle ne s'effondre pas.

Les Expériences : Cela a-t-il Fonctionné ?

Les auteurs ont testé cela de deux manières :

1. Le « Cerveau Virtuel » (Simulations) :

   • Ils ont créé un faux cerveau sur un ordinateur où ils connaissaient la vérité exacte (qui parlait à qui).
   • Ils ont fait passer la simulation à travers la « fenêtre boueuse » (en ajoutant des distorsions réalistes d'IRMf et d'EEG).
   • Résultat : INCAMA a trouvé les connexions 2 à 3 fois mieux que les méthodes existantes. Il était beaucoup plus précis pour déterminer la véritable carte du cerveau.

2. La Vérification « Monde Réel » (Données HCP) :

   • Ils ont pris de vraies données du Human Connectome Project (des personnes effectuant une tâche motrice, comme bouger leurs mains).
   • Ils n'ont pas réentraîné le modèle sur ces données réelles (Zero-shot). Ils ont simplement utilisé le modèle entraîné sur le cerveau factice.
   • Résultat : Le modèle a trouvé des connexions qui avaient du sens biologiquement. Par exemple, il a correctement identifié que le cortex visuel (voir) se connecte au cortex moteur (bouger) lors d'une tâche de mouvement de la main. Il n'a pas trouvé de bruit aléatoire ; il a trouvé les « autoroutes » du cerveau que les scientifiques savent déjà exister.

Résumé des Revendications

• Ce qu'ils ont construit : Un système qui nettoie d'abord les données de scanner cérébral déformées en utilisant la physique, puis utilise l'IA pour trouver la direction de l'influence entre les régions du cerveau.
• Ce qu'ils ont prouvé : Mathématiquement, cela fonctionne si le nettoyage est bon et si l'activité cérébrale change au fil du temps.
• Ce qu'ils ont démontré : Cela fonctionne mieux que les méthodes actuelles sur des données simulées et trouve des schémes biologiquement sensés dans de vraies données humaines sans avoir besoin d'être réentraîné.

Ce qu'ils NE revendiquent PAS :

• Ils ne revendiquent pas que cela est prêt pour diagnostiquer des patients individuels.
• Ils ne revendiquent pas avoir trouvé la « vérité absolue » du cerveau humain (puisque la vérité de référence réelle est impossible à connaître).
• Ils ne revendiquent pas que cela fonctionne pour les structures sous-corticales (cerveau profond), mais uniquement pour le cortex externe (la « peau » du cerveau).

En bref, INCAMA est une nouvelle façon de regarder à travers la « fenêtre boueuse » des scanners cérébraux, de nettoyer l'image en utilisant la physique, puis d'utiliser une IA intelligente pour cartographier qui parle à qui dans le cerveau.

Résumé technique

Résumé technique : Découverte causale dans l'espace latent à partir d'observations indirectes de neuroimagerie

Énoncé du problème

Les modalités de neuroimagerie telles que l'EEG et l'IRMf n'observent pas directement les variables causales neuronales. Elles capturent plutôt des signaux indirects déformés par des opérateurs directs spécifiques à chaque modalité : les signaux EEG sont mélangés spatialement par la conduction volumique (champ de lead), tandis que les signaux IRMf sont floutés temporellement par la fonction de réponse hémodynamique (HRF). Par conséquent, les dépendances statistiques observées dans l'espace des capteurs ou des voxels ne reflètent pas nécessairement l'influence causale neuronale latente sous-jacente. Les méthodes existantes font face à un compromis : la modélisation causale dynamique (DCM) intègre un réalisme biophysique mais manque d'évolutivité, tandis que les méthodes dans l'espace d'observation (par exemple, la causalité de Granger, les VAR) sont évolutives mais restent sensibles au mélange et au filtrage hémodynamique, échouant souvent à retrouver la structure dirigée réelle.

Le défi central abordé est le suivant : Dans quelles hypothèses un graphe dirigé retardé de l'activité neuronale latente peut-il être identifié à partir d'observations indirectes déformées par la physique, et comment cela peut-il être réalisé à grande échelle ?

Méthodologie : INCAMA

Les auteurs proposent INCAMA (INdirect CAusal MAmba), un cadre de bout en bout qui couple une inversion consciente de la physique avec une découverte causale dans l'espace latent. L'architecture suit un pipeline en deux étapes :

1. Étape 1 : Inversion consciente de la physique
   Le modèle apprend une application inverse régularisée $g_\theta$ pour récupérer les trajectoires neuronales latentes $\hat{z}_{1:T}$ à partir des observations $x_{1:T}$. Crucialement, cette étape est contrainte par la physique directe connue $H_\psi$ :

   • Pour l'EEG : Le modèle apprend à inverser le mélange du champ de lead ($x_t \approx L_\psi z_t$), effectuant essentiellement une localisation de sources (inspirée de DeepSIF) pour démêler les sources spatiales.
   • Pour l'IRMf : Le modèle estime conjointement l'activité neuronale latente et les paramètres HRF spécifiques aux régions pour déconvoluer le signal BOLD ($x_t \approx H_\psi * z_t$), atténuant ainsi les confusions hémodynamiques.
     L'inversion est entraînée pour garantir que les trajectoires reconstruites soient des signaux neuronaux physiquement significatifs, et non des embeddings génériques.

2. Étape 2 : Découverte causale dans l'espace latent
   Une fois les trajectoires latentes récupérées, le modèle utilise une architecture de base Mamba (Modèle d'État Sélectif) pour effectuer une découverte causale consciente des retards.

   • Mécanisme : Il exploite la non-stationnarité (forces de couplage variant dans le temps) comme variation informative pour identifier les directions causales, un concept ancré dans la théorie des mécanismes causaux indépendants (ICM).
   • Architecture : Un encodeur Mamba partagé traite les séries temporelles des régions d'intérêt (ROI). Les interactions dirigées sont modélisées via des noyaux linéarisés multi-retards (retards courts, moyens, longs) pour capturer les délais de transmission.
   • Sparsification : Un mécanisme de sélection top-$k$ impose une parcimonie biologique, conservant les arêtes les plus fortes pour former le graphe dirigé final $\hat{G}$.

L'ensemble du pipeline est entraîné de bout en bout sur des simulations biophysiques (The Virtual Brain, TVB), permettant à l'objectif causal de façonner l'étape d'inversion pour produire des représentations optimales pour l'identifiabilité du graphe.

Contributions théoriques

L'article formalise les conditions sous lesquelles la découverte causale est possible à partir d'observations indirectes :

• Identifiabilité conditionnelle : Les auteurs prouvent que si les trajectoires latentes sont récupérables de manière cohérente à partir d'observations indirectes (Hypothèse 4.4) et que les dynamiques latentes présentent des changements de mécanismes non stationnaires (Hypothèse 4.3), le graphe retardé $G$ est identifiable à partir de la distribution d'observation $P(x_{1:T})$. Il s'agit d'une réduction de l'identifiabilité dans l'espace latent (Huang et al., 2019) au cadre des observations indirectes.
• Limite de propagation d'erreur : Un résultat théorique clé (Proposition 4.7) établit que l'erreur de récupération du graphe est bornée par l'erreur d'inversion. Plus précisément, si la procédure d'inversion est cohérente, l'estimateur de bout en bout est cohérent. Cela fournit une garantie théorique selon laquelle des erreurs bornées dans la reconstruction des états latents entraînent des erreurs bornées dans le graphe causal estimé.

Résultats expérimentaux

L'évaluation utilise des simulations contrôlées avec une vérité terrain connue et un transfert zero-shot vers des données humaines réelles.

• Données simulées (TVB) :

  • EEG : INCAMA surpasse nettement les méthodes de référence (MNE/sLORETA + Granger/VAR, DeepSIF + TCN/GNN) dans la récupération de la structure dirigée. Il atteint un score F1 de 0,643 contre environ 0,16–0,21 pour les méthodes de référence, démontrant que l'inversion conjointe consciente de la physique est cruciale pour surmonter la conduction volumique.
  • IRMf : INCAMA atteint un score F1 de 0,610, nettement supérieur à celui du rDCM (0,258) et des méthodes linéaires basées sur la déconvolution. Il démontre également une efficacité computationnelle supérieure, opérant à environ 5 GFLOPs contre environ 100 GFLOPs pour le rDCM.
  • Robustesse : Le modèle montre une dégradation gracieuse en cas de mauvaise spécification de la physique (par exemple, mise à l'échelle HRF de ±20 % ou bruit du champ de lead), le score F1 chutant de moins de 0,002 ou 5,1 % respectivement, confirmant qu'il apprend une structure causale transférable plutôt que de mémoriser la physique du simulateur.

• Données réelles (Tâche motrice HCP) :

  • Appliqué en zero-shot à 1 079 sujets du Human Connectome Project (HCP), INCAMA produit des estimations dirigées parcimonieuses concentrées dans les voies visuo-motrices canoniques (par exemple, V1→V2, PM→M1).
  • Bien que la précision absolue soit faible (0,022) en raison de l'immense espace de recherche et des drivers sous-corticaux non modélisés, le modèle atteint un rappel élevé (0,610) pour les arêtes canoniques, surpassant nettement les méthodes de référence dans l'espace d'observation (FIR + Granger : F1 ~0,005). Cela suggère que les scores appris capturent une cohérence anatomique pertinente pour la tâche.

Importance et affirmations

L'article positionne INCAMA comme une voie évolutive vers l'inférence de connectivité dirigée à l'échelle du cerveau entier en modélisant explicitement la distorsion de mesure plutôt que de la traiter comme du bruit.

• Affirmation clé : Le travail démontre que la non-stationnarité peut servir de signal d'identification pour la direction causale même en présence de distorsions sévères d'observation indirecte, à condition que l'inversion soit consciente de la physique.
• Limites : Les auteurs déclarent explicitement que le graphe récupéré représente une connectivité corticale effective conditionnée aux influences sous-corticales (car les structures sous-corticales sont exclues de l'atlas à 68 ROI). La validation sur des données réelles est indirecte (basée sur la cohérence anatomique/réseau de tâches) car la connectivité causale vérité terrain chez l'humain n'est pas disponible.
• Impact : Le cadre comble le fossé entre le réalisme biophysique et l'évolutivité, offrant une méthode théoriquement fondée sur les conditions d'identifiabilité et empiriquement robuste aux distorsions spécifiques de l'EEG et de l'IRMf.