Mixed Membership Models for Multilevel Functional Data

1. Problématique

L'article aborde le défi de l'analyse de données fonctionnelles multiniveaux (multilevel functional data), où chaque unité statistique (par exemple, un sujet) contribue à plusieurs fonctions (par exemple, des signaux EEG provenant de différents canaux/électrodes).

Le problème central réside dans la limitation des modèles de clustering classiques (à affectation dure), qui supposent qu'une observation appartient à une seule classe latente. Dans des contextes complexes comme l'imagerie cérébrale (EEG) chez les enfants avec un trouble du spectre autistique (TSA), les données présentent une hétérogénéité continue : un sujet peut simultanément exhiber des caractéristiques spectrales appartenant à plusieurs « classes pures » (par exemple, une composante périodique typique et une composante aperiodique).

L'objectif est de développer un cadre statistique capable de :

• Gérer la structure multiniveaux (sujet $\to$ canaux $\to$ temps).
• Modéliser l'appartenance partielle (mixed membership) à plusieurs classes latentes fonctionnelles.
• Assurer l'identifiabilité de ces structures de mélange complexes.

2. Méthodologie

Les auteurs proposent une extension des modèles à appartenance mixte (Mixed Membership Models) aux données fonctionnelles multiniveaux, en s'appuyant sur une approche bayésienne hiérarchique.

A. Modélisation des Données

• Représentation : Les trajectoires observées $Y_{ij}(t)$ (sujet $i$, canal $j$) sont modélisées comme des réalisations d'un processus stochastique dans un espace produit de fonctions mesurables.
• Décomposition : Le modèle utilise une décomposition de type Karhunen-Loève multivariée pour exprimer les processus fonctionnels.
• Structure du modèle : La densité spectrale est modélisée comme une combinaison convexe de $K$ caractéristiques fonctionnelles latentes (processus gaussiens dépendants).
  $$Y_{ij}(t_i) \sim \mathcal{N}\left( \sum_{k=1}^K Z_{ijk} \mu_k(t), \Sigma(t) \right)$$
  Où $Z_{ijk}$ sont les proportions de mélange (variables sur le simplexe unitaire) spécifiques au sujet et au canal, représentant la probabilité d'appartenance à la classe latente $k$.

B. Inférence et Priors

• Approximation de la covariance : Pour assurer l'évolutivité (scalabilité) et la flexibilité, la surface de covariance des $K$ caractéristiques est approximée par une somme pondérée de $M$ pseudo-fonctions propres (pseudo-eigenfunctions). Cela permet d'éviter les contraintes de variété de Stiefel, facilitant l'échantillonnage MCMC.
• Régularisation : Un prior de processus gamma multiplicatif (multiplicative gamma process shrinkage prior) est utilisé pour régulariser adaptativement la structure de covariance et les coefficients des fonctions propres.
• Identifiabilité et Répulsion : Pour résoudre les problèmes d'identifiabilité inhérents aux modèles de mélange flexibles, les auteurs introduisent une contrainte géométrique forte. Ils définissent un processus ponctuel répulsif hiérarchique sur le simplexe unitaire.
  • Des centroids répulsifs $\pi_i$ sont définis au niveau du sujet.
  • Les probabilités de mélange $Z_{ij}$ sont tirées d'une loi Dirichlet centrée autour de ces centroids, avec un paramètre de répulsion $\tau$ qui empêche les classes latentes de se chevaucher excessivement.

C. Inférence Bayésienne

L'inférence postérieure est réalisée via des stratégies standard de MCMC (Monte Carlo par chaînes de Markov), permettant de simuler la distribution postérieure des paramètres de mélange, des fonctions de base et des variances d'erreur.

3. Résultats Principaux

L'approche est appliquée à une étude sur l'EEG d'enfants (2-12 ans) avec TSA et des contrôles typiquement développants (TD).

• Sélection du modèle : Le modèle retient $K=2$ caractéristiques fonctionnelles (sélectionnées via la méthode du coude, car les critères AIC/BIC surestimaient $K$).
• Interprétation des caractéristiques latentes :
  1. Feature 1 : Un bruit aperiodique de type $1/f$ (bruit rose) sans pic alpha.
  2. Feature 2 : Une composante périodique avec un pic alpha clair, typique des sujets neurotypiques plus âgés.
• Analyse des populations :
  • Les enfants TD montrent une forte probabilité de charger sur la Feature 2 (pic alpha bien défini).
  • Les enfants avec TSA présentent une hétérogénéité plus élevée, avec des mélanges variables entre les deux caractéristiques.
• Résultats au niveau des canaux : L'analyse des probabilités de mélange par canal révèle des différences régionales significatives, notamment dans les régions temporales du cerveau, où la différence entre les groupes TD et TSA est la plus marquée.

4. Contributions Clés

1. Extension Multiniveaux : Généralisation des modèles à appartenance mixte aux données fonctionnelles multiniveaux, permettant de capturer la variabilité intra-sujet (canaux) et inter-sujet.
2. Flexibilité et Scalabilité : Utilisation de la décomposition Karhunen-Loève multivariée et d'une approximation par pseudo-fonctions propres pour créer un modèle expressif mais computable.
3. Identifiabilité par Répulsion Hiérarchique : Proposition d'un prior répulsif hiérarchique innovant sur le simplexe unitaire pour garantir l'identifiabilité des structures de mélange partiel, un problème souvent négligé dans les modèles de mélange flexibles.
4. Application Clinique : Démonstration de la supériorité de l'appartenance mixte par rapport au clustering dur pour décrire l'hétérogénéité continue des signatures spectrales EEG dans le TSA.

5. Signification et Discussion

Ce travail offre une nouvelle perspective quantitative pour l'imagerie neurodéveloppementale. Au lieu de catégoriser les patients dans des groupes discrets, le modèle permet de quantifier l'appartenance à un spectre de caractéristiques fonctionnelles.

• Impact Clinique : La capacité à détecter des mélanges continus de signatures spectrales (périodique vs aperiodique) permet une caractérisation plus fine de l'autisme, allant au-delà des moyennes de groupe souvent floues obtenues par le clustering traditionnel.
• Limites et Perspectives : Les auteurs notent que la sélection du nombre de classes $K$ reste un défi (les critères d'information surestiment souvent $K$). De plus, la convergence postérieure pour les modèles de mélange sur-ajustés (overfitted) dans ce cadre spécifique nécessite des recherches supplémentaires. Des alternatives non-paramétriques (comme le processus Indian Buffet) sont mentionnées mais leur comportement inférentiel dans ce contexte n'est pas encore bien compris.

En résumé, cet article fournit un cadre mathématique robuste pour analyser la complexité des données fonctionnelles biologiques, en particulier pour comprendre la variabilité individuelle dans les troubles neurodéveloppementaux.