Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization

Résumé Technique : Interventional Flow Matching (IFM)

Énoncé du Problème
Le papier traite du défi de la prévision intervisionnelle prospective dans la gestion du glucose. Contrairement à l'extrapolation de séries temporelles standard, où les entrées futures sont observées, la planification de traitement nécessite de prédire la trajectoire physiologique d'un patient sous une séquence planifiée d'entrées d'insuline et de glucides ($U^{int}_{1:H}$).

La difficulté centrale réside dans le facteur de confusion : dans les données observationnelles, les moteurs futurs (insuline/nourriture) sont déterminés par des politiques cliniques et le comportement du patient couplés à l'état actuel. Un modèle purement prédictif peut apprendre des corrélations spécieuses (par exemple, associer l'administration d'insuline à une hausse du glucose parce que l'insuline est souvent administrée quand le glucose est déjà élevé) plutôt que le véritable effet causal physiologique. Par conséquent, une grande précision sur les trajectoires observées ne garantit pas des réponses correctes aux interventions planifiées. L'objectif est d'apprendre la distribution intervisionnelle $p(G_{1:H} | X_{1:L}, do(U_{1:H} = U^{int}_{1:H}))$ qui respecte les contraintes physiologiques sans dépendre d'équations mécanistes rigides.

Méthodologie : Interventional Flow Matching (IFM)
L'IFM est un cadre génératif en temps continu qui conditionne un champ de vitesse de type flow-matching sur l'historique du patient et les moteurs futurs planifiés. L'architecture se compose de trois composantes principales :

1. Traitement des Entrées et Représentation Latente :

   • Encodage de l'Historique : Un encodeur Mamba résiduel résume l'historique observé du patient ($X_{1:L}$).
   • Lissage des Moteurs (Drivers) : Les entrées planifiées d'insuline et de glucides passent par un lisseur pharmacocinétique (PK) appris pour modéliser les effets physiologiques retardés et distribués, convertissant les impulsions éparses en moteurs lissés effectifs ($D_{1:H}$).
   • Espace Latent : Le glucose est projeté vers un espace latent non borné $z$ via une transformation sigmoïde, permettant à la dynamique de flux d'opérer sans contraintes de bord alors que les prédictions décodées restent dans les limites physiologiques ($[g_{min}, g_{max}]$).

2. Réseau de Vitesse Conditionnel :

   • Le modèle utilise un champ de vitesse scalaire $v_\theta$ qui transporte le glucose latent sur un temps de flux continu $\tau$.
   • Le réseau est conditionné par l'état récurrent (historique) et les moteurs lissés via l'AdaLN (Adaptive Layer Normalization). Cela permet aux moteurs planifiés de moduler directement la dynamique de transport locale.
   • L'inférence procède par déploiement autorégressif (autoregressive rollout) : le champ de vitesse prédit l'état latent suivant, qui met à jour l'état récurrent pour l'étape de temps physique suivante.

3. Régularisation du Jacobien du Champ de Vitesse (L'Innovation Centrale) :

   • Au lieu d'imposer des contraintes strictes d'équations différentielles ordinaires (ODE) ou d'utiliser des pertes de classement basées sur le déploiement (coûteuses), l'IFM impose une régularisation sans solveur sur le champ de vitesse instantané.
   • Il calcule le Jacobien du champ de vitesse par rapport aux moteurs lissés.
   • Un terme de pénalité ($L_{jac}$) est appliqué pour garantir que ces sensibilités locales tombent dans des plages physiologiques signées et bornées par la dose :
     • La sensibilité à l'insuline doit être négative (abaisse le glucose).
     • La sensibilité aux glucides doit être positive (élève le glucose).
     • Les magnitudes doivent rester dans des limites plausibles (par exemple, éviter une sensibilité nulle ou des valeurs extrêmes).
   • Cette pénalité est appliquée point par point au champ de vitesse aux états de flux échantillonnés, évitant le coût de calcul de la différenciation à travers des déploiements complets multi-étapes.

Principales Contributions

1. Réponses Interventionnelles Physiologiquement Valides : L'IFM impose que le modèle apprenne la sémantique correcte des interventions (l'insuline baisse, les glucides augmentent) en régularisant le champ de vitesse local, plutôt que de compter uniquement sur l'ajustement de trajectoires observationnelles.
2. Contrainte sans ODE Mécanistes : Contrairement aux modèles hybrides nécessitant des équations différentielles spécifiées à la main ou des compartiments latents, l'IFM utilise des priors directionnels faibles mais fiables imposés via une pénalité de Jacobien, offrant une alternative plus légère aux structures mécanistes complètes.
3. Régularisation Sans Simulation : La pénalité d'intervention est appliquée directement aux dérivées du champ de vitesse, ce qui est plus efficace en termes de calcul que les objectifs de classement causaux qui nécessitent des simulations de trajectoires complètes.
4. Amélioration du Compromis Précision-Intervention : Le cadre équilibre la précision de la prédiction des moteurs observés avec une forte validité intervisionnelle.

Résultats Expérimentaux
La méthode a été évaluée sur une cohorte simulée de diabète de type 1 (simulateur UVA/Padova) avec 100 sujets virtuels.

• Métriques : La performance a été mesurée par l'RMSE des moteurs observés et des métriques de réponse intervisionnelle : magnitude de sensibilité ($S_{ins}, S_{carb}$), cohérence directionnelle stricte ($D_{strict}$) et cohérence de classement stricte ($R_{strict}$).
• Constats :
  • L'IFM a obtenu le meilleur équilibre entre précision observée et validité intervisionnelle.
  • Les modèles de référence comme LSTM et TCN ont obtenu de faibles RMSE mais ont échoué à produire des réponses intervisionnelles physiologiquement correctes (par exemple, des sensibilités faibles ou inversées).
  • Les modèles de référence mécanistes/hybrides (ex. : Hovorka, BNODE) ont montré des résultats mitigés ; certains présentaient une haute cohérence de classement mais une faible sensibilité à l'insuline, ou vice versa.
  • Ablation : La suppression de la pénalité de Jacobien ($\lambda_{jac}=0$) a produit le meilleur RMSE mais un échec catastrophique de la validité intervisionnelle ($D_{strict} \approx 0.48$, $R_{strict} \approx 0.00$), confirmant que la précision observationnelle n'implique pas la correction causale.
  • Fidélité : Une perte de fidélité sous-échantillonnée légère était nécessaire pour contrôler l'accumulation d'erreurs autorégressives sans sacrifier les bénéfices du régularisateur de Jacobien.

Signification et Revendications
Le papier affirme que l'IFM fournit un cadre robuste pour la prévision prospective de la réponse dose-réponse où l'objectif principal n'est pas seulement la précision de la trajectoire, mais la prédiction de magnitudes de réponse plausibles, de directions de réponse correctes et de classements de doses cohérents.

Les auteurs soulignent que la précision exacte de la trajectoire intervisionnelle est souvent inatteignable en raison de facteurs de confusion non observés (stress, activité, variabilité de l'absorption). Par conséquent, la « revendication d'intervention la plus défendable » est la capacité du modèle à prédire la direction et la magnitude relative de la réponse aux traitements planifiés. L'IFM y parvient en séparant l'apprentissage de la dynamique du glucose (via l'encodeur et le modèle de flux) du contrôle de la sémantique de l'intervention (via la pénalité de Jacobien), garantissant que le modèle respecte les priors physiologiques sans nécessiter de simulateur mécaniste complet. Ce travail suggère que la régularisation de la réponse au niveau local est un complément viable au déploiement de prévision appris lorsque des priors directionnels fiables sont disponibles.