Résumé technique : Désenchevêtrement des voies de risque latentes via l'inférence par hypergraphe bayésien

1. Énoncé du problème

Les dossiers de santé électroniques (DSE) présentent un défi complexe de modélisation multi-maladies caractérisé par deux difficultés primaires :

1. Prévalence des maladies à longue traîne : Si certaines pathologies chroniques sont courantes, la majorité des maladies sont rares, fournissant des données insuffisantes pour une estimation indépendante stable.
2. Dépendances d'ordre supérieur complexes : Les maladies ne partagent pas les facteurs de risque de manière uniforme. Différents moteurs de risque (par exemple, l'âge versus le tabagisme) organisent les maladies en voies distinctes, chevauchantes et incertaines. Les modèles existants échouent souvent à capturer cette structure :
   • Les modèles indépendants (ex. : régression logistique) ignorent la structure partagée, ce qui conduit à une mauvaise calibration de l'incertitude pour les résultats rares.
   • Les modèles multi-tâches "boîte noire" (ex. : réseaux de neurones) enchevêtrent les facteurs de risque dans un espace latent unique, obscurcissant les voies étiologiques spécifiques et offrant une interprétabilité limitée.
   • Les modèles probabilistes structurés agrègent souvent les corrélations à travers tous les facteurs plutôt que de désenchevêtrer l'organisation spécifique aux facteurs de risque, ou peinent à passer à l'échelle des jeux de données DSE modernes.

Le défi central est d'apprendre des structures latentes chevauchantes et spécifiques aux facteurs de risque sur les issues de maladies tout en quantifiant explicitement l'incertitude, sans sacrifier la performance prédictive.

2. Méthodologie : Inférence par hypergraphe bayésien (BHPI)

Les auteurs proposent BHPI, un cadre qui reformule la modélisation multi-maladies comme la découverte de voies de maladies latentes, modulées par les facteurs de risque, en utilisant un hypergraphe bayésien.

2.1. Architecture du modèle

• Représentation par hypergraphe latent : Les maladies sont des nœuds ($V$) et les voies sont des hyperarêtes ($E$). Contrairement aux graphes standards où les arêtes relient des paires, les hyperarêtes peuvent relier des sous-ensembles de maladies, permettant des relations d'ordre supérieur.
• Modèle d'observation : Les issues de maladies suivent un modèle logistique multivarié où le prédicteur linéaire $\tilde{\eta}_{i,v}$ inclut une ligne de base spécifique à la maladie et des effets de facteurs de risque.
• Effets de caractéristiques structurés : Au lieu d'estimer les coefficients spécifiques à la maladie $\beta_v$ indépendamment, BHPI les induit à partir des effets au niveau de l'hyperarête ($\mu_{j,e}$) :
  $$\beta_{j,v} = d_v^{-1} \sum_{e=1}^E H_{v,e} \mu_{j,e}$$
  où $H_{v,e}$ est la matrice d'incidence indiquant si la maladie $v$ appartient à la voie $e$.
• Parsimonie hiérarchique : Le modèle utilise un a priori hiérarchique pour apprendre la structure de l'hypergraphe :
  • Existence : Des indicateurs binaires $z_e$ déterminent si une hyperarête existe.
  • Appartenance : Sous réserve d'existence, des indicateurs binaires $m_{v,e}$ déterminent l'appartenance de la maladie.
  • Sélection de caractéristiques : Des a priori de type "spike-and-slab" déterminent quels facteurs de risque influencent des hyperarêtes spécifiques.

2.2. L'a priori de répulsion

Une innovation critique est l'a priori de répulsion appliqué aux associations caractéristique-hyperarête. Il pénalise la sélection d'hyperarêtes hautement redondantes pour un même facteur de risque.

• Objectif : Empêcher la "collapse de la structure latente" où plusieurs hyperarêtes redondantes expliqueraient le même facteur de risque.
• Mécanisme : Il encourage une structure parcimonieuse et identifiable où un seul facteur de risque active des voies distinctes et non redondantes, tout en permettant à différents facteurs de risque de partager des groupes de maladies chevauchants.

2.3. Inférence variationnelle structurée et scalable

L'inférence a posteriori est difficile en raison des vraisemblances non conjuguées et des contraintes logiques strictes (par exemple, si une hyperarête n'existe pas, ses membres ne peuvent exister).

• Augmentation Polya-Gamma : Utilisée pour traiter la vraisemblance logistique non conjuguée, la rendant conditionnellement gaussienne.
• Famille variationnelle structurée : L'inférence variationnelle (VI) moyenne standard suppose l'indépendance, ce qui brise les dépendances logiques entre l'existence, l'appartenance et les effets de l'hyperarête. Les auteurs développent un algorithme de VI structuré qui préserve explicitement ces dépendances conditionnelles (ex. : $q(m_{v,e} | z_e)$).
• Mises à jour sensibles à la répulsion : Les mises à jour par ascente de coordonnées intègrent l'attendu du chevauchement entre hyperarêtes pour appliquer l'a priori de répulsion, garantissant la découverte d'une topologie latente creuse et interprétable.

3. Contributions clés

1. Cadre : Introduction d'un cadre d'inférence par hypergraphe bayésien qui modélise les voies de maladies comme des hyperarêtes latentes modulées par des facteurs de risque spécifiques, permettant la découverte de structures d'ordre supérieur et chevauchantes.
2. Algorithme : Développement d'un algorithme d'inférence variationnelle structurée et scalable qui préserve les dépendances logiques (existence $\to$ appartenance $\to$ effet) et incorpore un a priori de répulsion pour l'identifiabilité, surmontant les limites des approximations de champ moyen standard.
3. Validation : Évaluation complète sur des données simulées et sur la UK Biobank, démontrant une récupération stable des voies, une meilleure estimation pour les maladies rares et une incertitude bien calibrée.

4. Résultats expérimentaux

4.1. Données simulées

• Performance prédictive : BHPI a obtenu des scores AUC compétitifs (environ 75 %) comparables à une régression logistique optimisée et supérieurs aux modèles de base multi-labels (ex. : LightGBM, Classifier Chains).
• Récupération structurelle : Le modèle a récupéré avec précision la structure de l'hypergraphe latent (AUC > 96 % pour l'incidence des hyperarêtes et les associations de facteurs de risque).
• Étude d'ablation : Le retrait de l'a priori de répulsion ($\lambda=0$) n'a pas impacté significativement la précision prédictive mais a conduit à des hyperarêtes redondantes et instables. L'a priori s'est avéré essentiel pour l'identifiabilité et l'interprétabilité, et non seulement pour la prédiction.

4.2. Application à la UK Biobank

• Jeu de données : $N \approx 277\,291$ participants, 71 facteurs de risque et 66 issues de maladies chroniques (allant de communes à extrêmement rares).
• Stabilité des maladies rares : BHPI a démontré une performance robuste pour les maladies à faible prévalence, surpassant les modèles de base qui présentaient une variance et une instabilité élevées dans le régime des maladies rares.
• Calibration : BHPI a atteint une excellente calibration prédictive (ECE < 0,01), comparable à la régression logistique.
• Interprétabilité :
  • Désenchevêtrement : Le modèle a réussi à séparer les voies de risque divergentes. Par exemple, le "Tabagisme" a été lié à des voies distinctes pour les maladies respiratoires (Emphysème, Asthme) et les lésions muqueuses (Ulcères), plutôt qu'à un facteur unique et dense.
  • Convergence : Il a capturé des contextes de maladies hétérogènes, tels que la "Démence" participant simultanément aux voies vasculaires, de fragilité gériatrique et métabolique-neurodégénérative.
  • Parsimonie : Malgré une initialisation avec 60 hyperarêtes candidates, le postérieur s'est concentré sur une solution parcimonieuse (~27 hyperarêtes actives), avec des probabilités d'inclusion a posteriori (PIP) élevées conservant le signal prédictif.

5. Signification et affirmations

L'article affirme que BHPI répond à une question épidémiologique centrale : « À travers quelles voies de maladies partagées un facteur de risque donné exerce-t-il ses effets, et quelle est notre incertitude sur cette structure ? »

• Au-delà des boîtes noires : Contrairement aux approches de deep learning, BHPI fournit une structure d'ordre supérieur interprétable qui désenchevêtre la manière dont les facteurs de risque spécifiques organisent le risque de maladie, allant au-delà des corrélations par paires ou des espaces latents enchevêtrés.
• Quantification de l'incertitude : Le cadre offre une incertitude a posteriori calibrée tant sur le groupement des maladies (composition de la voie) que sur l'influence des facteurs de risque, ce qui est crucial pour les maladies rares où les données sont parcellaires.
• Scalabilité : L'algorithme de VI structuré permet au modèle de passer à l'échelle de jeux de données de type biobanque (centaines de milliers d'échantillons) tout en maintenant une complexité computationnelle linéaire par rapport aux échantillons et aux dimensions.
• Utilité clinique : En révélant des voies distinctes et spécifiques aux facteurs de risque (par exemple, en séparant les effets métaboliques des effets toxiques de l'alcool), le modèle offre des perspectives sur les mécanismes étiologiques qui sont obscurcis par l'apprentissage multi-tâches standard ou la modélisation indépendante.

Les auteurs concluent que BHPI fournit une approche rigoureuse de la modélisation multi-maladies qui équilibre l'efficacité statistique et le biais inductif structuré, permettant la découverte de structures latentes interprétables dans les données de DSE à grande échelle.