Bayesian Federated Cause-of-Death Classification and Quantification Under Distribution Shift

Sintesi Tecnica: Classificazione e Quantificazione Bayesiana Federata della Causa di Morte sotto Spostamento di Distribuzione

1. Definizione del Problema

Nei paesi a basso e medio reddito (LMIC), la certificazione medica delle cause di morte è spesso non disponibile, rendendo necessario l'uso dell'Autopsia Verbale (VA) per inferire le cause attraverso interviste ai caregiver. Sebbene gli algoritmi probabilistici abbiano sostituito la revisione esperta per l'analisi dei dati VA, essi affrontano due limitazioni critiche:

1. Accesso ai Dati e Privacy: I modelli allo stato dell'arte richiedono tipicamente un addestramento centralizzato su grandi dataset di riferimento etichettati. Tuttavia, le normative sulla privacy e i vincoli logistici spesso impediscono la consolidazione dei dati provenienti da diverse regioni, paesi o periodi temporali. Di conseguenza, gli analisti sono spesso costretti a utilizzare modelli con parametri fissi e rigidi (es. InterVA, Tariff) o a fare affidamento su dati locali non rappresentativi.
2. Spostamento di Distribuzione (Distribution Shift): I dati VA raccolti da popolazioni diverse esibiscono differenze sistematiche nelle distribuzioni dei sintomi ($p(X|Y)$) e nelle prevalenze delle cause di morte ($p(Y)$), anche per le stesse cause sottostanti. Questi spostamenti, guidati dall'epidemiologia, dall'accesso all'assistenza sanitaria e dalle norme culturali, degradano le prestazioni dei modelli addestrati su dati esterni. Le soluzioni esistenti per affrontare lo spostamento richiedono o dati di riferimento diversificati e aggregati o una quantità sufficiente di dati locali etichettati, entrambi spesso non disponibili.

2. Metodologia: Apprendimento Federato Bayesiano (BFL)

Gli autori propongono un framework di Apprendimento Federato Bayesiano (BFL) che consente l'addestramento di modelli VA robusti senza condividere i dati individuali tra i domini. Il framework opera sotto l'assunto che esistano dati di riferimento sulle morti in più domini (siti di addestramento) che possono essere analizzati solo localmente, mentre il dominio target può avere dati etichettati limitati o assenti.

Architettura Core:

• Modelli Base: Ogni dominio di addestramento $m$ addestra indipendentemente un "modello base" (es. un modello a classi latenti come LCVA) sui propri dati etichettati locali per stimare la verosimiglianza condizionale dei sintomi data una causa, $\hat{p}_m(X|Y)$. Vengono condivisi solo questi riassunti del modello (parametri), non i dati grezzi.
• Aggregazione Globale: Nel dominio target, il modello BFL tratta la distribuzione condizionale dei sintomi come un mix pesato dei modelli base:
  $$p_0(X|Y=c) = \sum_{m=1}^M \lambda_{cm} \hat{p}_m(X|Y=c)$$
  Qui, $\lambda_{cm}$ rappresenta il peso del $m$-esimo dominio sorgente per la causa $c$. Questi pesi vengono appresi tramite un modello di aggregazione a classi latenti bayesiano.
• Approccio Generativo: A differenza dell'apprendimento federato discriminativo che aggrega funzioni di predizione $p(Y|X)$, il BFL aggrega la distribuzione generativa $p(X|Y)$. Ciò si allinea con il processo naturale di generazione dei dati della VA (i sintomi sono conseguenze della malattia) ed è empiricamente più robusto agli spostamenti di distribuzione.
• Gestione dei Label Locali: Il framework offre tre strategie per incorporare eventuali dati etichettati locali nel dominio target:
  1. BFL-domain: Tratta i dati etichettati locali come un nuovo dominio, addestrando un modello base aggiuntivo per espandere l'inviluppo convesso delle distribuzioni condizionali.
  2. BFL-partial: Utilizza i label locali direttamente per aggiornare i pesi di miscelazione ($\lambda$) e le frazioni delle cause ($\pi$) all'interno della verosimiglianza globale, senza riaddestrare i modelli base.
  3. BFL-mix: Un approccio ibrido che suddivide i dati locali per addestrare un modello locale e aggiornare simultaneamente i pesi globali.

Inferenza:
L'inferenza posteriore viene condotta in modo efficiente utilizzando un campionatore di Gibbs (o Stan), stimando le Frazioni di Mortalità Specifiche per Causa (CSMF) $\pi$ e i pesi dei domini $\lambda$. Il metodo supporta sia l'assegnazione delle cause a livello individuale che la quantificazione a livello di popolazione.

3. Contributi Chiave

• Framework Innovativo: Introduzione del primo framework di apprendimento federato specifico per la VA che elimina la necessità di dati centralizzati etichettati, affrontando contemporaneamente lo spostamento dei label (label shift, $p(Y)$) e lo spostamento condizionale (conditional shift, $p(X|Y)$).
• Modularità ed Efficienza: Il framework è modulare, compatibile con vari algoritmi VA esistenti (es. LCVA, InSilicoVA) come modelli base. Una volta addestrati i modelli base, lo step di aggregazione globale è computazionalmente trascurabile (pochi secondi su un laptop).
• Robustezza allo Spostamento: Modellando la verosimiglianza condizionale invece della probabilità posteriore, il metodo scinde esplicitamente i CSMF dei domini sorgente dalle relazioni sintomo-causa, permettendo un trasferimento robusto anche quando le popolazioni sorgente e target hanno profili di mortalità molto diversi.
• Fine-tuning Flessibile: La fornitura di tre strategie distinte (domain, partial, mix) per sfruttare i dati etichettati locali a seconda della gravità dello spostamento di label all'interno del target e della rappresentatività del campione locale.

4. Risultati Sperimentali

Gli autori hanno validato il BFL utilizzando due dataset reali: il dataset gold-standard per adulti PHMRC (6 siti) e il dataset neonatale CHAMPS (7 paesi).

• Esperimenti PHMRC:

  • Scenario: Esperimenti "leave-one-domain-out" sotto diversi gradi di spostamento di label all'interno del target (nessuno, lieve, severo).
  • Prestazioni: Le varianti BFL hanno superato costantemente i singoli modelli base (local-self, local-avg).
  • Confronto con il Joint Modeling: Il BFL ha performato in modo comparabile, e in alcuni casi migliore, rispetto all'approccio "gold standard" del joint modeling (LCVA con pooling completo dei dati), nonostante la mancanza di accesso ai dati grezzi aggregati.
  • Sensibilità allo Spostamento di Label: Sotto uno spostamento di label severo, BFL-partial (aggiornamento diretto dei pesi) ha superato BFL-domain (addestramento del modello locale), poiché quest'ultimo ha faticato quando i dati etichettati locali non rappresentavano le cause prevalenti nella popolazione target non etichettata.
  • Metodi di Calibrazione: I metodi di calibrazione standard (GBQL) hanno funzionato bene sotto labeling casuale, ma sono degradati significativamente sotto spostamento di label severo o con prior di contrazione (shrinkage) forti, mentre il BFL è rimasto robusto.

• Esperimenti CHAMPS:

  • Prestazioni: Nel dataset neonatale con alto squilibrio di classe, il BFL ha raggiunto un'accuratezza dei CSMF comparabile al LCVA a dati completi e significativamente migliore rispetto ai modelli a dominio singolo.
  • Interpretazione dei Pesi: I pesi di dominio ($\lambda$) appresi hanno identificato efficacemente quali domini sorgente fornivano i pattern di sintomi più informativi per specifiche cause, anche senza accesso diretto ai CSMF sorgente.

5. Significato e Rivendicazioni

Il documento sostiene che il BFL offra una soluzione pratica al problema dei "silos di dati" nella sorveglianza della salute globale. Consentendo agli analisti di sfruttare diversi dataset di riferimento senza violare i vincoli di privacy, il BFL colma il divario tra modelli semplici e rigidi e modelli complessi che richiedono enormi quantità di dati.

• Impatto Pratico: Il framework facilita il dispiegamento di modelli VA avanzati e flessibili in sistemi di sorveglianza della mortalità del mondo reale dove la condivisione dei dati è limitata.
• Robustezza: I risultati dimostano che l'aggregazione federata di modelli generativi può gestire efficacemente gli spostamenti di distribuzione che tipicamente compromettono gli approcci standard di transfer learning.
• Cautela: Gli autori mantengono una posizione modesta, notando che nessun metodo domina universalmente; le prestazioni dipendono fortemente dalla natura specifica dello spostamento di distribuzione e dalla disponibilità/rappresentatività dei dati etichettati locali. Essi sottolineano che, sebbene il BFL migliori i metodi esistenti, la sfida fondamentale di validare l'assegnazione della causa di morte senza sufficienti morti di riferimento rimane, e le affermazioni di aver "risolto" il problema dovrebbero essere viste con cautela.

Il lavoro conclude che il BFL è un approccio scalabile, computazionalmente efficiente e robusto per modernizzare la sorveglianza della mortalità in contesti con risorse limitate.