Feynman Kac Reweighted Schrödinger Bridge Matching for Surface-Based Tau PET Harmonization

तकनीकी सारांश: सतह-आधारित टौ PET सामंजस्य (Harmonization) के लिए फिनमैन-काक रीवेटेड श्रोडिंगर ब्रिज मैचिंग

समस्या विवरण

बहु-साइट न्यूरोइमेजिंग अध्ययन सांख्यिकीय शक्ति बढ़ाने के लिए आवश्यक हैं, लेकिन वे स्कैनर, अधिग्रहण प्रोटोकॉल और रेडियोट्रेसर के अंतर से उत्पन्न होने वाली गैर-जैविक परिवर्तनशीलता (non-biological variability) के कारण बाधित होते हैं। यह परिवर्तनशीलता जैविक प्रभावों के प्रति संवेदनशीलता को कम करती है और व्यवस्थित पूर्वाग्रह (systematic bias) उत्पन्न कर सकती है, विशेष रूप से जब साइट वितरण जैविक चरों के साथ सह-परिवर्तित (covary) होते हैं।

जबकि सामंजस्य (harmonization) विधियाँ साइट-प्रेरित बदलावों को हटाने का प्रयास करती हैं, मौजूदा दृष्टिकोण अनपेयर्ड सेटिंग्स (जहाँ साइटों के बीच कोई सामान्य विषय मौजूद नहीं हैं) में महत्वपूर्ण सीमाओं का सामना करते हैं:

• सांख्यिकीय विधियाँ (जैसे, ComBat): रैखिक, गॉसियन प्रभावों को मानती हैं और विशेषताओं को स्वतंत्र रूप से मानती हैं, जिससे गैर-रेखीय अंतःक्रियाओं (nonlinear interactions) को पकड़ने में विफलता होती है।
• डीप लर्निंग विधियाँ (जैसे, CycleGAN): प्रशिक्षण अस्थिरता, मोड कोलैप्स (mode collapse) और मजबूत इंडक्टिव बायस के बिना अनसुपरवाइज्ड डिसेंटैंगलमेंट की सैद्धांतिक असंभवता से ग्रस्त हैं।
• डिफ्यूजन-आधारित विधियाँ: शोर इंजेक्शन (noise injection) पर निर्भर करती हैं जो डोमेन अनुकूलन और सामग्री संरक्षण (content preservation) के बीच एक ट्रेड-ऑफ प्रस्तुत करती हैं।

श्रोडिंगर ब्रिज (SB) आधारित सामंजस्य में एक महत्वपूर्ण अंतराल बना हुआ है। मानक SB कार्यान्वयन (जैसे, डिफ्यूजन श्रोडिंगर ब्रिज मैचिंग, DSBM) आमतौर पर उत्पाद माप $\pi_0 \otimes \pi_1$ से एंडपॉइंट युग्मों को स्वतंत्र रूप से नमूना लेते हैं। जब स्रोत और लक्ष्य समूह (cohorts) की उपसमूह संरचना भिन्न होती है (जैसे, टौ-पॉजिटिव और टौ-नेगेटिव विषयों के बदलते अनुपात), तो यह "एग्नोस्टिक" कपलिंग (agnostic coupling) प्रचुरता के कारण एक जैविक उपसमूह के नमूनों को लक्ष्य डोमेन के दूसरे उपसमूह में मैप कर सकती है। यह ट्रेसर के अंतर को जैविक भिन्नता के साथ मिला देता है, जो सामंजस्य के उद्देश्य को विफल कर देता है। इसके अलावा, सतह-आधारित न्यूरोइमेजिंग पर SB को लागू करना चुनौतीपूर्ण है क्योंकि इसमें कॉर्टिकल सतहों की गैर-यूक्लिडियन मेश टोपोलॉजी होती है।

कार्यप्रणाली

लेखक फिनमैन-काक रीवेटेड श्रोडिंगर ब्रिज मैचिंग (FKRSBM) प्रस्तावित करते हैं, जो एक ढांचा है जिसे जैविक उपसमूह संरचनाओं का सम्मान करते हुए सतह-आधारित टौ PET डेटा को सामंजस्यपूर्ण बनाने के लिए डिज़ाइन किया गया है।

1. सैद्धांतिक आधार: एंडपॉइंट-रेगुलराइज्ड SB

यह विधि सामंजस्य को एक एंट्रॉपी-रेगुलराइज्ड ऑप्टिमल ट्रांसपोर्ट समस्या के रूप में स्वरूपित करती है। साइट प्रभावों को जैविक भिन्नता के साथ मिलने से रोकने के लिए, लेखक एक एंडपॉइंट पेनल्टी $\Phi(X_0, X_1)$ पेश करते हैं जो जैविक रूप से सार्थक युग्मों (जैसे, टौ-पॉजिटिविटी स्थिति में बेमेल होने पर दंड देना) के बारे में पूर्व ज्ञान को एनकोड करता है।

उद्देश्य सीखे गए पाथ मेजर $P$ और एक संदर्भ मेजर $R$ के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस को एक पेनल्टी टर्म द्वारा बढ़ाया गया न्यूनतम करता है:
$$P^*_\lambda \in \arg\min_{P \ll R, P_0=\pi_0} \left\{ KL(P \| R) + \lambda E_P[\Phi(X_0, X_1)] \right\}$$
जहाँ $\lambda$ पेनल्टी की शक्ति को नियंत्रित करता है।

2. फिनमैन-काक रीवेटिंग (Feynman–Kac Reweighting)

एक प्रमुख सैद्धांतिक योगदान यह दिखाना है कि यह रेगुलराइज्ड ऑब्जेक्टिव एक फिनमैन-काक रीवेटेड संदर्भ मेजर $R_\lambda$ के तहत मानक ब्रिज मैचिंग के समकक्ष है।

• तंत्र: रीवेटिंग एंडपॉइंट कपलिंग (स्रोत-लक्ष्य युग्मों का वितरण) को संशोधित करती है लेकिन किसी भी निश्चित युग्म के बीच ब्राउनियन ब्रिज डायनेमिक्स को अपरिवर्तित छोड़ देती है।
• कार्यान्वयन: यह अनुमति देता है कि बाधा को डेटा-सैंपलिंग स्तर पर स्ट्रैटिफाइड इम्पोर्टेंस सैंपलिंग के माध्यम से पूरी तरह से लागू किया जाए। मॉडल को अंतर्निहित नेटवर्क आर्किटेक्चर या ब्रिज-मैचिंग सॉल्वर में बदलाव की आवश्यकता नहीं होती है।
• सैंपलिंग: प्रशिक्षण के दौरान, लक्ष्य एंडपॉइंट्स को एक कंडीशनल प्रपोजल $q_\lambda(x_1|x_0) \propto \exp(-\lambda \Phi(x_0, x_1)) \pi_1(x_1)$ से नमूना लिया जाता है जो मिलान करने वाले जैविक लेबल वाले विषयों (जैसे, टौ-पॉजिटिव को टौ-पॉजिटिव के साथ) को प्राथमिकता से जोड़ता है।

3. सतह-आधारित आर्किटेक्चर

कॉर्टिकल सतह डेटा के लिए, FKRSBM एक स्फेरिकल कनवोल्यूशनल बैकबोन (कंडीशनल सरफेस U-Net) का उपयोग करता है जो आइसोसहेड्रल मेश पर संचालित होता है। यह आर्किटेक्चर कॉर्टेक्स की गैर-यूक्लिडियन ज्यामिति का सम्मान करता है, जिससे वर्टेक्स-स्तरीय सामंजस्य के दौरान सतह टोपोलॉजी सुरक्षित रहती है।

4. प्रशिक्षण और अनुमान (Inference)

• प्रशिक्षण: मॉडल प्री-ट्रेनिंग और फाइन-ट्यूनिंग में शामिल दो-चरणीय प्रक्रिया का उपयोग करता है जिसमें एनालिटिक ब्राउनियन ब्रिज वेलोसिटी के विरुद्ध फॉरवर्ड और बैकवर्ड ड्रिफ्ट रिग्रेशन शामिल है। एंडपॉइंट युग्मों को फिनमैन-काक रीवेटेड प्रपोजल से लिया जाता है।
• अनुमान (Inference): सामंजस्य को $t=0$ से $t=1$ तक ऑयलर-मारियूरा विधि (Euler–Maruyama method) का उपयोग करके सीखे गए स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) को एकीकृत करके किया जाता है, जो एक स्रोत नमूने से शुरू होता है।

मुख्य योगदान

1. कॉर्टिकल सतहों पर श्रोडिंगर ब्रिज: यह पेपर विशेष रूप से कॉर्टिकल सतह मेश के लिए डिज़ाइन किए गए पहले SB-आधारित सामंजस्य ढांचे को पेश करता है, जो गैर-यूक्लिडियन टोपोलॉजी को संभालने के लिए स्फेरिकल कनवल्शन का उपयोग करता है।
2. एंडपॉइंट-कंस्ट्रेंड ट्रांसपोर्ट: लेखक एक एंडपॉइंट-रेगुलराइज्ड SB ऑब्जेक्टिव को स्वरूपित करते हैं जो परिवहन को साइट प्रभावों को जैविक भिन्नता के साथ मिलाने से रोकता है। वे यह सिद्ध करते हैं कि इसे फिनमैन-काक रीवेटिंग के माध्यम से एंडपॉइंट प्रपोजल के रीवेटिंग द्वारा लागू किया जा सकता है, जिसके लिए सॉल्वर में किसी भी आर्किटेक्चरल बदलाव की आवश्यकता नहीं है।
3. मॉड्यूलर डिज़ाइन: रीवेटिंग पूरी तरह से डेटा-सैंपलिंग स्तर पर संचालित होती है, जिससे बाधा मॉड्यूल के अनुकूल और SB सॉल्वरों के भविष्य के सुधारों के साथ संगत हो जाती है।

परिणाम

विधि का मूल्यांकन अनपेयर्ड टौ PET SUVR मैप्स पर किया गया, जिसने HABS-HD कोहोर्ट के PI-2620 डेटा को ADNI के AV-1451 डोमेन में सामंजस्यपूर्ण बनाया। इसकी तुलना ComBat, CycleGAN, एक डिफ्यूजन-आधारित विधि (DF), और अनरेगुलराइज्ड DSBM से की गई।

• वितरण संरेखण (Distributional Alignment): FKRSBM ने दोनों गोलार्द्धों (hemispheres) में सबसे कम वासेरस्टीन डिस्टेंस (WD) और सबसे मजबूत अवशिष्ट साइट सेपेरेबिलिटी रिडक्शन (न्यूनतम सोमर'स D) प्राप्त किया, जो सभी बेसलाइन को पछाड़ देता है।
• उपसमूह निरंतरता (Subgroup Consistency): अनरेगुलराइज्ड DSBM के विपरीत, जो स्ट्रैटिफाइड सबग्रुप्स में व्यवस्थित अंडर/ओवर-करेक्शन दिखाता है, FKRSBM ने दोनों टौ-पॉजिटिव और टौ-नेगेटिव सबग्रुप्स में संरेखण बनाए रखा।
• टौ-पॉजिटिविटी संरक्षण: FKRSBM ने DSBM (बायां 17.5%, दायां 13.3%) की तुलना में टौ-स्टेटस फ्लिप की सबसे कम दर (बायां 2.6%, दायां 3.0%) प्रदर्शित की। अनरेगुलराइज्ड DSBM ने टौ-नेगेटिव विषयों को पॉजिटिव में बदलने की ओर एक मजबूत पूर्वाग्रह दिखाया, जो एक विफलता मोड है जिसे रीवेटिंग द्वारा कम किया गया।
• जैविक स्तरीकरण (Biological Stratification): FKRSBM ने APOE ε4 वाहकों और गैर-वाहकों के बीच अलगाव को बेहतर ढंग से संरक्षित किया, जो लक्षित वितरण के विरुद्ध निम्नतम कोल्मोगोरोव-स्मिरनोव (KS) सांख्यिकी दिखाता है।
• डाउनस्ट्रीम प्रदर्शन: नैदानिक वर्गीकरण कार्यों (CN बनाम AD, और CN बनाम MCI बनाम AD) में, FKRSBM ने उच्चतम F1 स्कोर और सटीकता प्रदान की, जो इंगित करता है कि सामंजस्यपूर्ण डेटा ने साइट शोर को कम करते हुए रोग-प्रासंगिक सिग्नल को बनाए रखा।

महत्व और दावे

पेपर का दावा है कि FKRSBM मानक अनपेयर्ड डोमेन ट्रांसलेशन में एक मौलिक दोष को संबोधित करता है: जब कोहोर्ट संरचनाएं भिन्न होती हैं तो तकनीकी साइट प्रभावों को जैविक विषमता के साथ मिलाने का जोखिम। फिनमैन-काक रीवेटिंग के माध्यम से जैविक रूप से सुसंगत परिवहन को लागू करके, यह विधि मौजूदा सांख्यिकीय और डीप लर्निंग दृष्टिकोणों की तुलना में बेहतर वितरण संरेखण प्राप्त करती है और महत्वपूर्ण क्लिनिकल बायोमार्कर (टौ पॉजिटिविटी और APOE स्थिति) को बेहतर ढंग से संरक्षित करती है।

लेखक निष्कर्ष निकालते हैं कि उन परिदृश्यों में एंडपॉइंट-अवेयर कपलिंग सामंजस्य के लिए महत्वपूर्ण है जहाँ स्रोत और लक्ष्य कोहोर्ट्स की उपसमूह संरचना भिन्न होती है। वे FKRSBM को एक सिद्धांत आधारित समाधान के रूप में प्रस्तुत करते है जो क्रॉस-ट्रेसर टौ PET प्रयोगों में बेहतर सैद्धांतिक संरेखण और व्यावहारिक प्रदर्शन में सुधार करता है, और भविष्य के कार्य के रूप में मल्टी-साइट सामंजस्य, निरंतर कोवेरिएट्स और अन्य सतह-आधारित इमेजिंग मोडैलिटीज तक विस्तार करने का उल्लेख करते हैं।