Résumé Technique : DiffDT – Mariage de Modèles Génératifs d'Événements de Santé avec des Jumeaux Numériques des Déterminants Sociaux de la Santé

1. Définition du Problème

Les modèles génératifs actuels pour la prédiction des maladies reposent principalement sur les Dossiers Médicaux Électroniques (DME) et des représentations au niveau des événements (par exemple, codes CIM) pour modéliser la progression de la maladie comme un problème de prédiction du token suivant, en utilisant des architectures autoregressives (AR). Bien qu'efficaces pour capturer les schémas d'utilisation des soins de santé, ces méthodes font face à deux limitations critiques :

1. Absence d'ancrage physiologique : Elles manquent de mesures directes des processus physiologiques sous-jacents (biomarqueurs) pour calibrer les incertitudes, limitant ainsi leur capacité à modéliser l'étiologie biologique de la maladie.
2. Modélisation inadéquate des Déterminants Sociaux de la Santé (DSS) : Les modèles existants ignorent souvent ou représentent insuffisamment les DSS. Même lorsqu'ils utilisent des proxies codés par la CIM (Chapitres Z et V–Y de la CIM-10), ils échouent à modéliser explicitement comment ces facteurs interagissent avec les données de capteurs multi-organes pour influencer les trajectoires de la maladie.

De plus, les approches actuelles de Jumeaux Numériques (JN) se concentrent souvent sur la simulation physique spécifique au sujet ou sur l'extraction de représentations statiques, mais manquent de la capacité à modéliser la chaîne causale longitudinale où l'historique médical passé façonne l'état physiologique actuel, qui à son tour médie l'apparition future de la maladie.

2. Méthodologie : Le Cadre DiffDT

Les auteurs proposent DiffDT, un cadre d'apprentissage intégré qui combine un modèle AR piloté par les événements avec un cadre de diffusion latente conditionnelle. L'innovation centrale consiste à modéliser le raisonnement sur la maladie comme une inférence de médiation probabiliste : $P(\text{Futur} | \text{Biomarqueur}) \cdot P(\text{Biomarqueur} | \text{Histoire})$.

2.1 Tokenisation Adaptative de l'Histoire Médicale et Squelette AR

Pour gérer la résolution temporelle irrégulière des données DME, les auteurs proposent une stratégie de tokenisation adaptative :

• Une grille temporelle unifiée est construite couvrant la tranche d'âge de la cohorte, permettant des événements simultanés.
• Un modèle AR basé sur Transformer ($\phi$) est pré-entraîné sur plus de 500 000 sujets pour apprendre des embeddings conscients de la causalité. Il prédit le prochain token CIM basé sur l'historique des événements et les embeddings d'âge.
• Ce modèle AR sert de mécanisme de conditionnement, encodant l'historique médical passé dans une représentation latente ($\hat{y}$) qui guide la génération de jumeaux numériques.

2.2 Génération de Jumeaux Numériques Multi-Organes via Diffusion

Le cadre génère des « Jumeaux Numériques » (JN) synthétiques représentant l'état physiologique de plusieurs organes (cerveau, cœur, foie, rein) conditionnés par l'historique médical.

• Biomarqueurs Tabulaires (Cœur, Foie, Rein) :

  • Un modèle de diffusion hybride en temps continu est employé pour les données tabulaires (par exemple, l'épaisseur de la paroi myocardique).
  • Il utilise une Équation Différentielle Stochastique (EDS) avec une formulation à Explosion de Variance (VE) pour les variables continues et une diffusion d'espace d'état discret (processus absorbant) pour les variables catégorielles.
  • Le Guidage sans Classificateur (CFG) est adapté pour conditionner la génération sur les séquences CIM observées, permettant l'imputation des traits d'organes manquants basés sur l'historique médical.

• Biomarqueurs Topologiques (Réseaux Cérébraux) :

  • La connectivité fonctionnelle cérébrale est représentée sous forme de matrices Définies Positives Symétriques (SPD), qui résident sur une variété riemannienne. Une diffusion euclidienne standard corrompt cette structure géométrique.
  • SPD-VQVAE : Les auteurs introduisent un Autoencodeur Variationnel à Quantification Vectorielle (VQVAE) construit sur la décomposition de Cholesky.
    • Théorème 1 établit que la décomposition de Cholesky est un difféomorphisme mappant la variété SPD ($\mathcal{S}^N_{++}$) vers la variété des matrices triangulaires inférieures avec des diagonales positives ($\mathcal{L}^N_{++}$).
    • L'encodeur mappe la matrice SPD vers un espace latent discret, et le décodeur reconstruit la matrice en prédisant le facteur de Cholesky ($L$) et en calculant $\hat{M} = \hat{L}\hat{L}^\top$. Cela garantit que les JN générés résident mathématiquement sur la bonne variété SPD sans encourir la complexité $O(N^3)$ associée aux décompositions spectrales.
  • LDM Conditionnel de Cholesky : Un Modèle Probabiliste de Diffusion Débruitant (DDPM) opère dans cet espace latent. Il utilise une attention croisée pour incorporer le contexte de l'historique médical ($\hat{y}$) du modèle AR, permettant la synthèse d'états de réseaux cérébraux personnalisés.

2.3 Inférence Prédictive

Pendant l'inférence, le pipeline fonctionne séquentiellement :

1. Le modèle AR encode la séquence CIM passée.
2. Les modèles de diffusion génèrent des états hypothétiques de JN multi-organes pour le prochain pas de temps.
3. Un Modèle Fondation (FM) affiné analyse le JN généré pour prédire l'apparition de maladies futures (prochain token CIM).

3. Contributions Clés

1. SPD-VQVAE : Une architecture novatrice pour la génération de connectivité fonctionnelle cérébrale respectant la géométrie non-euclidienne des variétés SPD grâce à la décomposition de Cholesky, permettant une diffusion calculablement traitable ($O(N^2)$ ou moins) sur des données d'imagerie neuronale de haute dimension.
2. LDM de Cholesky avec Décodeur Dual : Un modèle de diffusion latente conditionnel garantissant que les jumeaux numériques générés résident sur la variété SPD sans coûts $O(N^3)$, couplé à une architecture à double branche pour capturer à la fois les motifs de fréquence passe-bas et passe-haut dans les réseaux cérébraux.
3. Mécanisme de Médiation Probabiliste : Un cadre reliant les événements cliniques discrets (CIM) et les variétés physiologiques continues, permettant un raisonnement sur la maladie à multiples voies où les proxies de DSS conditionnent la génération d'états physiologiques.
4. Tokenisation Adaptative : Une méthode pour standardiser les chronologies DME irrégulières afin de conditionner les modèles de diffusion.

4. Résultats Expérimentaux

Les expériences ont été menées sur le jeu de données UK Biobank (UKB), comprenant :

• Cohorte : 44 834 traits d'imagerie cérébrale, 23 987 cardiaques, 28 722 hépatiques et 32 155 rénaux.
• Historique : Près de 500 000 séquences d'historique médical (âges 25–89) encodées avec la CIM-10.

4.1 Prédiction de la Prochaine Maladie

• Performance : DiffDT a significativement surpassé les modèles AR de l'état de l'art (Delphi) et les modèles fondation (BrainMass, NeuroPath).
• Métriques : Sur un vocabulaire de 1 944 codes CIM, DiffDT a atteint une AUC de 0,9171 (utilisant le socle Qwen3) contre 0,8931 pour Delphi.
• Distance Sémantique : Contrairement aux lignes de base dont les performances se dégradent avec l'augmentation de la distance sémantique entre les maladies passées et futures, DiffDT a maintenu des performances robustes, en particulier pour les paires de maladies hors diagonale (médiation multi-voies).
• Médiation Spécifique à l'Organe : Lorsqu'on utilise des JN d'organes spécifiques comme médiateurs, DiffDT a constamment obtenu les scores F1 les plus élevés (par exemple, 65,14 % pour les prédictions médiées par le cerveau contre 56,53 % pour NeuroPath).

4.2 Génération de Jumeaux Numériques

• Données Tabulaires : A obtenu de faibles erreurs quadratiques moyennes (RMSE) et des distances de Wasserstein (WD) à travers les traits cardiaques, hépatiques et rénaux.
• Données Topologiques : La variante SPD-VQVAE-Dual a atteint la plus haute précision moyenne (98,36 %) dans la prédiction de topologie (classification des arêtes) et l'erreur de reconstruction la plus faible, surpassant les lignes de base VQVAE standard et SPD-DDPM.
• Contrefactuels : Dans les expériences contrefactuelles (remplacement d'un code maladie par « sain »), les JN générés étaient significativement plus proches des sujets sains de vérité terrain que des sujets malades (FID $p=2,5\times 10^{-5}$), confirmant leur pertinence biologique.
• Médiation Causale : DiffDT a réduit l'erreur de l'Effet Moyen du Traitement Absolu (ATE) de plus de moitié par rapport à Delphi, soutenant son rôle de médiateur biologique valide.

4.3 Efficacité Computationsnelle

• Le LDM de Cholesky évite la complexité $O(N^3)$ des opérations SPD standard.
• L'inférence de bout en bout (génération d'un JN et prédiction de la prochaine maladie) prend environ 1,2 seconde par sujet sur un seul GPU NVIDIA RTX 6000 Ada.

5. Importance et Revendications

L'article revendique que DiffDT représente une avancée significative dans le raisonnement personnalisé sur les maladies en :

• Combler le Fossé : Connectant avec succès les événements cliniques discrets (DME) aux états physiologiques continus et multi-organes (Jumeaux Numériques).
• Améliorer la Compréhension Étiologique : Allant au-delà de la modélisation des schémas d'utilisation des soins de santé pour capturer la médiation biologique de la progression de la maladie via des données dérivées de capteurs.
• Évolutivité : Fournissant une méthode calculablement efficace pour générer des données topologiques de haute dimension (réseaux cérébraux) respectant les contraintes géométriques.

Limitations Reconnues par les Auteurs :

• Biais des Données : La UK Biobank présente un « biais de volontaire sain », nécessitant une recalibration avant déploiement dans des cohortes épidémiologiques diversifiées.
• Données Longitudinales : L'imagerie UKB est principalement transversale ; les trajectoires de maladies individuelles reposent sur une interpolation au niveau de la population plutôt que sur des preuves longitudinales par sujet.
• Portée des DSS : Les proxies « DSS » actuels sont limités aux chapitres codés CIM (Z, V–Y) et n'ingèrent pas de mesures sociales, économiques ou environnementales directes.
• Gains Modestes : Bien que DiffDT apporte des améliorations constantes, les gains provenant du module de médiation sont modestes par rapport à la simple mise à l'échelle du socle AR (par exemple, passer de GPT2 à Qwen3.5), bien que l'effet de médiation reste complémentaire.

Les auteurs concluent que, bien que DiffDT fasse progresser le domaine en intégrant la modélisation générative avec des jumeaux numériques pour le raisonnement sur les maladies, un « véritable jumeau numérique des déterminants sociaux » reste un objectif futur nécessitant l'intégration de données multimodales à haute résolution.