Contrastive Representation Learning of Longitudinal Disease Trajectories on Temporal Graphs

Imaginez que vous essayez de comprendre l'histoire de la vie d'une personne, mais au lieu de lire un livre, vous regardez un tas éparpillé de clichés pris à des moments aléatoires. Certaines photos sont prises chaque jour ; d'autres une fois par an. Certaines montrent un anniversaire joyeux, d'autres une visite chez le médecin, et certaines ne sont que des images floues d'un banc de parc. Dans le monde de la science médicale, c'est exactement ce à quoi ressemble la « donnée longitudinale » : une collection de mesures prises sur les mêmes personnes encore et encore, mais souvent à des intervalles irréguliers et désordonnés.

Le grand défi pour les scientifiques est de comprendre comment regrouper ces personnes en fonction de l'évolution de leur vie (ou de leur maladie). Est-ce que deux patients suivent le même chemin, même si leurs examens ont eu lieu à des jours différents ? Les méthodes traditionnelles tentent souvent de forcer ces instantanés désordonnés dans des lignes nettes et lisses, supposant que l'histoire de chacun suit une courbe prévisible. Mais la vie réelle est rarement aussi lisse. Parfois, les gens ont des pics soudains de symptômes, ou leurs conditions changent de manières complexes et non linéaires qui ne rentrent pas dans une simple ligne. C'est là qu'intervient le domaine de l'« apprentissage automatique » (machine learning), et plus précisément une branche appelée « apprentissage de représentation » (representation learning). Voyez cela comme l'enseignement à un ordinateur pour qu'il regarde un tas de données désordonnées et qu'il en déduise l'« essence » ou le « résumé » le plus important de l'histoire de chaque personne, afin de pouvoir facilement identifier à quel groupe elle appartient. Le document que vous allez lire s'attaque au problème de savoir comment faire cela au mieux lorsque les données sont un réseau complexe de temps et de similitudes.

---

Le Problème : La Ligne Temporelle Désordonnée

Imaginez que vous soyez un détective essayant de résoudre un mystère en regroupant des suspects basés sur leurs habitudes quotidiennes. Vous avez une liste de notes pour chaque personne, mais les notes sont un désordre. Certains ont écrit une entrée de journal chaque matin ; d'autres n'ont écrit que lorsqu'il se passait quelque chose d'excitant. Certaines notes concernent ce qu'ils ont mangé, d'autres ce qu'ils ont ressenti, et certaines ne sont que des gribouillis.

En médecine, les médecins collectent ce genre de données tout le temps. Ils suivent les patients sur des années, enregistrant la tension artérielle, le rythme cardiaque et les symptômes. Mais les données sont « longitudinales » (étirées dans le temps) et « hétérogènes » (mélangées et différentes pour chacun). L'objectif est de trouver des « clusters » — des groupes de patients qui suivent le même chemin de maladie. Si vous pouvez trouver ces groupes, vous pouvez prédire qui risque de s'aggraver et adapter les traitements de manière plus précise.

Le problème est que le travail de détective de la vieille école (les statistiques traditionnelles) suppose souvent que l'histoire de chacun est une ligne droite et lisse. Mais les maladies ne progressent pas toujours en ligne droite. Elles font des zigzags, elles stagnent, et parfois elles font des bonds. De plus, les méthodes standards regardent souvent chaque patient de manière isolée, manquant le fait que le Patient A et le Patient B pourraient évoluer de manière synchronisée, même s'ils sont deux personnes différentes.

La Solution : RankWalk et le « Graphe de Voyage dans le Temps »

Entrez en scène les auteurs de ce document, qui proposent une nouvelle méthode appelée RankWalk. Au lieu d'essayer de forcer les données dans une ligne droite, ils décident de construire un immense web invisible (un « graphe ») qui connecte tous les points.

Voici comment ils construisent ce web :

1. Les Nœuds (Les Points) : Chaque mesure qu'un patient a jamais eue devient un point sur la carte.
2. Les Cordes Temporelles (Le Voyage dans le Temps) : Si le Patient A a eu un examen lundi et un autre mardi, ils dessinent une corde reliant ces deux points. Cela préserve l'ordre du temps. Cela dit à l'ordinateur : « Ceci est arrivé avant cela. »
3. Les Cordes de Similitude (Les Âmes Sœurs) : C'est la partie ingénieuse. Si le Patient A et le Patient B ont tous deux eu un examen un mardi, et que leurs indicateurs de santé étaient très similaires à ce moment précis, l'ordinateur dessine une corde reliant ces deux points, même s'il s'agit de personnes différentes. C'est comme dire : « Hé, vous deux êtes dans le même bateau en ce moment. »

Mais attendez, et si les examens avaient eu lieu à des moments bizarres ? Et si le Patient A avait été vu à 10h00 et le Patient B à 10h05 ? Les auteurs utilisent une astuce de « fenêtre glissante ». Imaginez une fenêtre se déplaçant le long d'une chronologie. Si l'examen d'un patient tombe à l'intérieur de la fenêtre, il est regroupé avec tous les autres dans cette fenêtre. Cela lisse le timing irrégulier et désordonné sans perdre l'histoire.

La Recette Secrète : L'Ancre et la Marche Aléatoire

Maintenant que le web est construit, comment l'ordinateur apprend-il quels patients appartiennent ensemble ? C'est ici que l'Apprentissage Contrastif (Contrastive Learning) entre en jeu. Voyez cela comme un jeu de « Trouvez la différence ».

L'ordinateur choisit une « Ancre » (l'examen d'un patient spécifique) et essaie de trouver d'autres points qui lui ressemblent. Mais au lieu de simplement regarder les voisins immédiats, l'ordinateur envoie un « marcheur aléatoire » (random walker) — un petit explorateur qui saute de point en point le long des cordes.

Voici le rebondissement : l'explorateur est guidé par l'ancre. Il ne déambule pas de manière aléatoire. Il est biaisé pour chercher des points qui sont structurellement similaires à l'Ancre. Si l'Ancre est un patient « malade », l'explorateur est plus susceptible de trouver d'autres patients « malades », même s'ils sont loin dans le web.

L'ordinateur suit un score de la vitesse à laquelle l'explorateur trouve une correspondance. Plus vite il trouve un patient similaire, plus cette correspondance est « importante ». C'est ce qu'on appelle la Génération de Paires Positives Pondérée par le Rang (Rank-Weighted Positive Pair Generation). C'est comme dire : « Si tu as trouvé le jumeau dès la première étape de ta recherche, ce jumeau est une correspondance parfaite. Si tu as dû chercher pendant dix étapes pour trouver un jumeau, peut-être qu'il n'est pas si similaire. »

Enfin, l'ordinateur utilise un objectif « contrastif ». Il essaie de rendre les points « jumeaux » très similaires dans son langage interne (embeddings) et les points « non-jumeaux » très différents. Avec le temps, l'ordinateur apprend une façon super efficace de résumer le parcours de chaque patient en un code court et puissant.

Ce Qu'Ils Ont Trouvé : Les Résultats

Les auteurs ont testé leur nouvelle méthode « RankWalk » contre les anciens détectives (statistiques traditionnelles) et d'autres nouveaux outils d'apprentissage automatique. Ils l'ont fait de deux manières :

1. Le Laboratoire de Simulation (Les Fausses Données)
D'abord, ils ont créé de fausses données de patients sur un ordinateur.

• Scénario A (Le Trajet Lisse) : Ils ont inventé des données où les patients suivaient des courbes lisses et prévisibles. Ici, les anciennes méthodes (comme la fPCA) ont bien fonctionné, mais RankWalk a tenu aussi bien.
• Scénario B (Le Trajet Bruyant) : Ils ont ajouté du « bruit » — des erreurs aléatoires ou de mauvaises données — au mélange. Les anciennes méthodes se sont confondues et ont commencé à mal regrouper les gens. RankWalk, cependant, est resté calme. Parce qu'il regardait de nombreux « sous-espaces » différents (différents angles de données) et utilisait un système de classement, il a ignoré les parties bruyantes et a trouvé les vrais groupes.
• Scénario C (Le Trajet Chaotique) : Ils ont créé des données où les patients changeaient entre différents « régimes » (comme une maladie qui change soudainement de comportement) et présentaient des sauts non linéaires. Les anciennes méthodes ont complètement échoué ici car elles ne pouvaient pas gérer le chaos. RankWalk, cependant, a excellé, trouvant les groupes avec une précision quasi parfaite. Il a prouvé qu'il n'est pas nécessaire de connaître la forme de la courbe à l'avance ; le graphe peut l'apprendre.

2. Le Monde Réel (Les Données Réelles)
Ensuite, ils ont testé RankWalk sur quatre ensembles de données médicales réelles impliquant des maladies cardiaques, des maladies du foie, le vieillissement cognitif et le SIDA.

• Ils n'ont pas seulement regardé la qualité de la formation des groupes ; ils ont vérifié si les groupes importaient réellement pour la survie. Ils ont utilisé un « Indice de Concordance » (un score de la capacité des groupes à prédire qui vivrait plus longtemps) et un « Test du Log-Rank » (un test statistique pour voir si les groupes étaient réellement différents).
• Le Résultat : RankWalk a systématiquement battu la meilleure méthode existante (fPCA). Par exemple, dans le jeu de données sur les maladies cardiaques (HEART), l'ancienne méthode avait un score de prédiction de survie de 0,57 (à peine mieux que le hasard), tandis que RankWalk l'a fait bondir à 0,71. Plus frappant encore, la preuve statistique que les groupes étaient différents a grimpé d'un faible 4,81 à un énorme 52,25.
• Cela suggère qu'en traitant les données comme un web connecté de temps et de similitude, RankWalk a trouvé des motifs que les anciennes méthodes ont manqués, menant à des groupes de patients nettement plus distincts en termes de résultats de santé.

La Conclusion

Le document suggère que nous n'avons pas besoin de forcer les données médicales réelles et désordonnées dans des lignes droites et nettes pour les comprendre. En construisant un web dynamique qui respecte à la fois le flux du temps et les similitudes entre différentes personnes, et en utilisant une stratégie intelligente de « recherche et comparaison », nous pouvons découvrir des motifs cachés dans la progression des maladies.

RankWalk ne se contente pas de regrouper les patients ; il trouve les bons groupes. Il gère les données désordonnées, ignore le bruit et s'adapte aux modèles de maladies complexes et changeants mieux que les outils que nous utilisons depuis des décennies. Bien que les auteurs notent qu'il s'agit d'une avancée méthodologique et que des travaux futurs sont nécessaires pour gérer des scénarios encore plus complexes (comme les données manquantes ou les données multiples simultanées), les résultats actuels suggèrent que cette approche basée sur les graphes est un nouveau prisme puissant pour observer la longue et sinueuse route de la santé humaine.