Résumé Technique : Au-delà de l'augmentation : Prior pathologique guidé par le score pour la détection de la dépression basée sur l'EEG

1. Énoncé du problème

La détection du trouble dépressif majeur (TDM) à l'aide de l'électroencéphalographie (EEG) est fondamentalement contrainte par le dilemme des petits échantillons, où les ensembles de données cliniques contiennent généralement moins de 100 sujets. Pour remédier à la rareté des données, les méthodes prévalentes s'appuient sur l'augmentation générative de données (ex. : GAN, modèles de diffusion) pour synthétiser des pseudo-échantillons. Cependant, les auteurs soutiennent que cette approche introduit des failles méthodologiques fatales :

• Bruit synthétique : La synthèse directe de signaux EEG bruts de haute dimension et non stationnaires entraîne de graves distorsions morphologiques et des artefacts de haute fréquence.
• Décalage de distribution : Les échantillons générés présentent un décalage de distribution marqué ($\Delta\sigma = 0,73$) par rapport au manifold des données authentiques, échouant à préserver les propriétés statistiques intrinsèques.
• Flou des frontières : Au lieu d'affiner les frontières de classification, l'augmentation bruitée injecte des corrélations spécieuses, poussant les modèles à mémoriser le bruit synthétique plutôt que les biomarqueurs cliniquement significatifs.
• Hétérogénéité du matériel : Le déploiement en conditions réelles est entravé par les variations de configurations d'électrodes (ex. : 19 vs 128 canaux) entre les centres cliniques, ce qui empêche les modèles standards de se généraliser sans un réentraînement coûteux.

2. Méthodologie : Classification Guidée par le Score (SGC)

Les auteurs proposent la Classification Guidée par le Score (SGC), un cadre qui déplace le paradigme de la « génération d'échantillons » vers le « minage de priors ». Au lieu de synthétiser de nouvelles données, la SGC utilise une architecture générative non supervisée pour modéliser les degrés d'anomalie structurelle et statistique des échantillons, servant ainsi de prior pathologique déterministe et sans bruit.

Architecture Centrale

Le cadre fonctionne via une architecture à double flux :

A. Flux Non Supervisé (Modélisation du Prior Pathologique)

Entraîné exclusivement sur des données de Contrôles Sains (HC) pour ancrer le manifold intrinsèque de la dynamique cérébrale normale, ce flux se compose de deux modèles complémentaires :

1. VQ-VAE (Autoencodeur Variationnel Vectorisé) : Modélise la morphologie structurelle discrète des signaux sains. Il apprend un ensemble fini d'« atomes de base sains » (codebook). L'erreur de reconstruction ($L'_{VQ}$) quantifie les déviations structurelles.
2. DDPM (Modèle de Diffusion Probabiliste de Débruitage) : Modélise la distribution probabiliste continue du bruit de fond. La perte de diffusion ($L'_{Diff}$) quantifie les décalages statistiques du bruit stochastique.

Ces modèles sont gelés après l'entraînement sur les données HC. Pour tout signal entrant, ils calculent un score d'anomalie composite $S$ :
$$S = \alpha L'_{VQ} + (1 - \alpha) L'_{Diff}$$
où $\alpha=0,7$ donne la priorité à l'erreur structurelle. Ce score est robustement normalisé (en utilisant les 5ème et 95ème percentiles) pour produire un prior borné $S' \in [0, 1]$.

B. Flux Supervisé (Fusion de Caractéristiques et Classification)

Ce flux traite les segments EEG entrants (tant MDD que HC) à travers trois étapes :

1. Adaptation Spatiale Cross-électrode : Pour gérer l'hétérogénéité du matériel, les signaux de haute densité arbitraires sont projetés sur une configuration standardisée à 19 électrodes (système international 10-20) en utilisant l'Interpolation par Spline Sphérique. Cela permet un transfert zero-shot sans réentraînement architectural.
2. Extracteur de Caractéristiques Hybride : Un 1D-CNN capture les caractéristiques morphologiques temporelles locales, suivi d'un Encodeur Transformer pour modéliser les dépendances globales à longue portée, produisant un vecteur de caractéristiques profondes $F_{deep}$.
3. Fusion de Caractéristiques Guidée par le Score : Le score d'anomalie normalisé $S'$ est explicitement concaténé avec $F_{deep}$ avant le classificateur MLP final. Cela fusionne la représentation profonde avec le prior pathologique, calibrant dynamiquement la frontière de décision.

Stratégie d'Entraînement

Pour atténuer le surapprentissage dans les régimes à petits échantillons, les auteurs emploient :

• Un ordonnancement du taux d'apprentissage par Recuit Cosinus (Cosine Annealing).
• Le Lissage de Label (Label Smoothing) pour éviter une confiance excessive.
• Un Paramètre de Zéro-Augmentation : Le modèle est entraîné sans générer aucun échantillon synthétique.

3. Contributions Clés

1. Cadre sans Augmentation : La SGC redéfinit l'utilité générative en modélisant une ligne de base normative plutôt qu'en hallucinant des signaux bruts, contournant ainsi efficacement les risques d'injection de bruit synthétique.
2. Prior Pathologique à Double Flux : En synergie entre la quantification structurelle (VQ-VAE) et la diffusion probabiliste (DDPM), la méthode construit un score d'anomalie complet qui capture à la fois les distorsions morphologiques et les dérives statistiques.
3. Généralisation Indépendante du Matériel : La stratégie de mapping de la topologie spatiale proposée résout les décalages d'électrodes entre cohortes, permettant un transfert zero-shot fluide entre des jeux de données ayant des configurations de canaux différentes.

4. Résultats Expérimentaux

Les expériences ont été menées sur les jeux de données Mumtaz2016 (19 électrodes, 34 MDD/30 HC) et MODMA (128 électrodes, 24 MDD/29 HC).

• Performance de l'État de l'Art : Sur Mumtaz2016, la SGC a atteint une précision de 95,19 %, surpassant les modèles de deep learning traditionnels (ex. : DeprNet : 89,84 %) et la meilleure méthode d'augmentation générative, DiffMDD (93,85 %).
• Généralisation Zero-Shot : Dans une évaluation croisée (entraînement sur Mumtaz2016, test sur MODMA sans ajustement fin), la SGC a maintenu une précision de 78,50 %. En revanche, les modèles SOTA existants ont subi une dégradation catastrophique (ex. : GC-GRU est tombé à 55,40 %, DiffMDD à 68,34 %).
• Sécurité Clinique : La SGC a atteint un Rappel de 75,34 % lors du transfert zero-shot, surpassant nettement les bases (Rappel $\le$ 61 %). L'analyse de la matrice de confusion montre que la SGC élimine les faux négatifs (diagnostics manqués) qui affectaient les méthodes d'augmentation générative.
• Études d'Ablation :
  • Le retrait de l'un ou l'autre des flux (structurel ou distributionnel) réduit les performances, confirmant leur complémentarité.
  • Le remplacement de la fusion au niveau des caractéristiques par la fusion au niveau de la décision a causé une chute significative de la performance zero-shot (de 78,50 % à 69,69 %), prouvant la nécessité d'injecter le prior en tant que caractéristique.
  • Les comparaisons avec des heuristiques génératives avancées (Hard Negative Mining, Nettoyage d'Artefacts) montrent que l'approche de minage de prior de la SGC surpasse fondamentalement la synthèse d'échantillons.

5. Signification et Revendications

L'article affirme que la convention prévalente de « la quantité de données d'abord » dans l'analyse de l'EEG est erronée car les données synthétiques introduisent des artefacts qui brouillent les frontières de décision. En déplaçant l'attention de la quantité synthétique vers l'intégrité des caractéristiques, la SGC démontre que :

• Les Priors Pathologiques Explicites sont plus robustes que l'augmentation générative pour l'apprentissage à peu d'exemples (few-shot learning).
• Le Scoring d'Anomalie sert de mécanisme puissant et sans bruit pour guider les classificateurs, isolant efficacement les biomarqueurs réels de la variance de fond.
• L'Indépendance vis-à-vis du Matériel peut être atteinte via la projection géométrique, rendant le système viable pour un déploiement clinique multicentrique sans réentraînement.

Les auteurs concluent que la SGC établit une voie de diagnostic fiable pour les séries temporelles médicales complexes, privilégiant l'extraction de manifolds pathologiques invariants sur la génération de données synthétiques potentiellement trompeuses. Les travaux futurs identifient l'intégration de l'Adaptation de Domaine Non Supervisée (UDA) pour combler davantage les hétérogénéités matérielles.