MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis

Résumé Technique : MediEncoder pour l'analyse de médiation causale non linéaire à haute dimension

Énoncé du problème
L'analyse de médiation causale vise à décomposer les effets de traitement en effets directs naturels (NDE) et en effets indirects naturels (NIE) opérant via des médiateurs. Bien que les méthodes classiques supposent des covariables et des médiateurs de faible dimension et directement observés, les études biomédicales modernes (par exemple, la génomique, l'omique multiple) impliquent fréquemment des mesures de haute dimension et bruitées qui servent de substituts (proxies) à des processus biologiques latents de plus faible dimension. Les méthodes existantes de médiation à haute dimension font face à des limitations significatives :

1. Rareté/Sélection de variables : Les méthodes reposant sur la parcimonie (par exemple, Lasso) traitent les variables observées comme des médiateurs, échouant ainsi à modéliser la structure latente sous-jacente.
2. Linéarité : Les techniques de réduction de dimension basées sur la PCA ou sur des modèles à facteurs linéaires supposent des fonctions de mesure linéaires, ce qui est souvent restrictif dans les systèmes biologiques complexes où les relations sont non linéaires.
3. Indépendance structurelle : Les approches d'apprentissage profond (par exemple, les auto-encodeurs standards ou les VAE) apprennent souvent des représentations pour les covariables et les médiateurs de manière indépendante, ignorant la dépendance structurelle entre les systèmes latents.
4. Non-linéarité latente : Les estimateurs de médiation profonds existants ne ciblent pas explicitement les contextes dotés de facteurs latents non linéaires et de dépendances structurelles entre les représentations des covariables et des médiateurs.

Le défi central consiste à développer un cadre qui gère simultanément la structure latente, la haute dimension, les fonctions de mesure non linéaires et les interactions traitement–covariable–médiateur.

Méthodologie : MediEncoder
Les auteurs proposent MediEncoder, un cadre d'apprentissage de représentation conçu pour l'analyse de médiation causale non linéaire à haute dimension. La méthode opère en deux étapes principales :

1. Apprentissage de représentation couplée :
   MediEncoder utilise une architecture encodeur-décodeur structurée pour apprendre conjointement des représentations de faible dimension des covariables de haute dimension ($X$) et des médiateurs ($M$). L'architecture se compose de :

   • Encodeurs/Décodeurs : Des paires encodeur-décodeur distinctes ($g_X, h_X$ et $g_M, h_M$) pour les covariables et les médiateurs afin de minimiser la perte de reconstruction.
   • Réseau de facteurs croisés ($g_{XM}$) : Un composant critique qui projette le traitement ($A$) et la représentation de la covariable apprise ($g_X(X)$) vers l'espace de représentation du médiateur ($g_M(M)$). Ce réseau impose un couplage directionnel, encourageant la représentation du médiateur à être prévisible à partir du traitement et de la représentation de la covariable, respectant ainsi l'équation structurelle latente $f_M = \mu^*(A, f_X) + \text{bruit}$.
   • Fonction de perte : L'objectif d'entraînement minimise une somme pondérée des pertes de reconstruction pour $X$ et $M$, plus un terme de perte d'alignement ($\lambda_3$) qui pénalise l'écart entre la représentation réelle du médiateur et la prédiction du réseau de facteurs croisés.

2. Estimation par fonction d'influence efficace avec cross-fitting :
   Une fois les représentations apprises, elles sont utilisées pour estimer les fonctions de nuisance (scores de propension, régressions de l'effet, et rapports de densité) nécessaires à l'analyse de médiation. Les auteurs utilisent une procédure de cross-fitting (division des données en quatre sous-ensembles disjoints) pour estimer le paramètre cible $\theta_0 = E\{Y(1, f_M(0))\}$ (la moyenne inter-mondes) à l'aide d'un estimateur basé sur la fonction d'influence efficace (IF).

   • L'estimateur est construit en remplaçant les facteurs latents non observés de l'IF oracle par les représentations apprises.
   • Les résultats théoriques montrent que la récupération exacte des véritables facteurs latents n'est pas requise ; il suffit que les représentations apprises approchent une transformation inversible à gauche des facteurs latents.

Contributions clés
L'article présente quatre contributions principales :

1. Cadre de facteurs latents non linéaires : Introduction d'un cadre de médiation pour les données de haute dimension qui évite les hypothèses de linéarité et de parcimonie, accommodant les structures latentes et les fonctions de mesure non linéaires.
2. Algorithme MediEncoder : Développement d'un algorithme d'apprentissage de représentation couplée utilisant un réseau de facteurs croisés pour capturer la dépendance structurelle entre les représentations des covariables et des médiateurs, se distinguant ainsi des auto-encodeurs multi-vues standards.
3. Théorie asymptotique modulaire : Établissement d'un cadre théorique prouvant que l'estimateur par cross-fitting résultant est $\sqrt{n}$-consistant et asymptotiquement normal. La théorie formalise le fait qu'une inférence valide est possible tant que la représentation apprise approxime une transformation inversible à gauche des facteurs latents, à condition que les estimateurs de nuisance convergent à des taux appropriés.
4. Validation empirique : Démonstration de la performance de la méthode via des simulations approfondies et une application au monde réel sur les données de l'Alzheimer's Disease Neuroimaging Initiative (ADNI).

Résultats

• Simulations : Dans des contextes non linéaires à haute dimension (utilisant des fonctions de chargement par ondelettes de Haar), MediEncoder a systématiquement surpassé les approches de réduction de dimension concurrentes, notamment la Projection, les auto-encodeurs standards, les auto-encodeurs variationnels (VAE) et l'IMAVAE. MediEncoder a obtenu une erreur quadratique moyenne (RMSE) plus faible, des écarts-types plus petits et des intervalles de confiance avec des taux de couverture proches du niveau nominal de 95 %. Une étude d'ablation a confirmé que le terme d'alignement ($\lambda_3$) est crucial pour stabiliser la représentation apprise du médiateur et améliorer l'efficacité de l'estimation, particulièrement dans les petits échantillons.
• Application aux données réelles (ADNI) : La méthode a été appliquée pour étudier la médiation des symptômes dépressifs (traitement) sur le déclin cognitif (résultat) via la méthylation de l'ADN (médiateur). L'analyse ($n=649$, $p=171$, $q=3\,206$) a estimé un effet total positif des symptômes dépressifs sur le déclin cognitif. Les estimations ponctuelles suggèrent que l'effet opère principalement via la voie directe, avec un effet indirect plus faible et plus incertain médié par la méthylation de l'ADN. L'intervalle de l'effet total excluait zéro, tandis que les intervalles directs et indirects incluaient zéro, suggérant la prudence dans l'interprétation du mécanisme de médiation.

Signification et affirmations
L'article affirme que MediEncoder comble une lacune critique dans l'inférence causale en fournissant un cadre statistiquement valide pour l'analyse de médiation à haute dimension où les variables sont des substituts bruités de processus biologiques latents et non linéaires. Contrairement aux méthodes précédentes qui ne traitent qu'une partie de ce problème (par exemple, la linéarité ou l'indépendance), MediEncoder apprend conjointement des représentations qui s'alignent sur la structure de médiation latente. Les auteurs soulignent que leurs résultats théoriques ne nécessitent pas la récupération exacte des facteurs latents, mais seulement que les représentations apprises préservent l'information nécessaire à la fonctionnelle de médiation via une transformation inversible à gauche. Cela rend la méthode robuste aux complexités des données biomédicales modernes tout en maintenant les propriétés statistiques désirables de l'efficacité semi-paramétrique.