Brain-Atlas-Guided Generative Counterfactual Attention for Explainable Cognitive Decline Diagnosis Using Multimodal Connectomes

Sintesi Tecnica: Attenzione Controfatuale Generativa Guidata dall'Atlante Cerebrale per la Diagnosi Spiegabile del Declino Cognitivo

Problematica
L'insufficienza cognitiva lieve (MCI) e il declino cognitivo soggettivo (SCD) rappresentano fasi critiche precoci del continuum della malattia di Alzheimer. Una diagnosi accurata e spiegabile è essenziale per l'intervento precoce. Sebbene gli esistenti modelli di deep learning che utilizzano i connettomi cerebrali (connettività funzionale [FC] e connettività strutturale [SC]) abbiano migliorato le prestazioni di classificazione, essi operano ampiamente come "black box". Gli attuali metodi di spiegazione (ad es., Grad-CAM, SHAP) forniscono spesso approfondimenti post-hoc e condizionati all'etichetta, che non riescono a modellare esplicitamente la transizione tra stati cognitivi. Inoltre, faticano a catturare i cambiamenti minimi e rilevanti per la malattia necessari per trasformare un connettoma sorgente (ad es., Controllo Sano) in un connettoma target (ad es., MCI), e spesso trascurano la topologia strutturata e vincolata dall'atlante delle reti cerebrali.

Metodologia
Il documento propone la Generative Counterfactual Attention-guided Network (GCAN), un framework che formula la diagnosi come un problema di generazione controfatuale da sorgente a target. L'obiettivo principale è generare un connettoma con etichetta target da un input con etichetta sorgente e derivare una mappa di attenzione dalle loro differenze.

1. Framework Controfatuale Generativo:

   • Generazione da Sorgente a Target: Dato un connettoma sorgente $C_s$ con etichetta $y_s$, il generatore $G$ produce un connettoma target $C_g^t$ corrispondente all'etichetta $y_t$.
   • Attenzione Controfatuale: La mappa di attenzione $A$ è definita come la differenza $C_g^t - C_s$. I valori positivi indicano connessioni da potenziare, mentre i valori negativi indicano connessioni da sopprimere per raggiungere lo stato target.
   • Diagnosi: Il connettoma in input viene ricalibrato tramite questa mappa di attenzione ($\tilde{C} = C \odot A$) prima di essere inviato a un classificatore diagnostico a valle, costringendo il modello a concentrarsi sulle connessioni legate alla transizione patologica.

2. Atlas-aware Bidirectional Transformer (AABT):

   • Per preservare la topologia strutturata dei connettomi, gli autori introducono l'AABT. Invece di trattare la matrice di connettività come un'immagine piatta, l'AABT la decompone in sottoreti basate su un atlante cerebrale (ad es., DMN, FPN, CON).
   • Esegue l'encoding di rete per livello e il decoding di token inverso, garantendo che il processo di generazione rispetti le strutture di rete locali pur modellando le dipendenze a lungo raggio.

3. Estensione Multimodale (Modellazione Congiunta FC–SC):

   • Il framework viene esteso per modellare congiuntamente la connettività funzionale (FC) e strutturale (SC).
   • Un AABT cross-modale elabora simultaneamente FC, SC e le loro mappe di caratteristiche.
   • Funzioni di Perdita: Il generatore multimodale è ottimizzato utilizzando perdite di ricostruzione, classificazione e percettive. Include crucialmente una perdita di coerenza cross-modale per incoraggiare trasformazioni struttura-funzione coordinate ma non identiche, e una perdita di sovrapposizione dell'attenzione per penalizzare la sovrapposizione spaziale tra le risposte regionali positive (potenziate) e negative (soppresse).
   • Strategia di Pre-training: Per fornire priorità dello stato target senza data leakage, classificatori specifici per modalità FC e SC vengono pre-addestrati su dataset ausiliari (SLIM per FC, BJE per SC) e utilizzati per guidare la generazione di connettomi con etichetta target. Questi modelli pre-addestrati sono separati dal classificatore diagnostico finale.

Contributi Chiave

• Attenzione Controfatuale Generativa: Il documento introduce un framework che identifica esplicitamente i cambiamenti di connessione rilevanti per la malattia generando connettomi di stato target e analizzandone le differenze, offrendo un'interpretazione orientata alla transizione piuttosto che all'importanza statica delle caratteristiche.
• Architettura Atlas-Aware: Il design di AABT consente la generazione di connettomi strutturati che aderiscono alle note partizioni delle reti cerebrali, preservando la topologia globale e l'organizzazione delle sottoreti locali.
• Ragionamento Struttura-Funzione Multimodale: L'estensione al modellamento congiunto FC–SC consente di catturare cambiamenti complementari della riorganizzazione funzionale e della topologia strutturale, fornendo una visione più completa del declino cognitivo.
• Valutazione Rigorosa: Lo studio include estesi esperimenti su dataset ospedalieri e ADNI, coprendo scenari a singola modalità (FC) e multimodali (FC–SC). Presenta analisi complete della visualizzazione del connettoma circolare, valutazione della qualità di sintesi a livello di matrice (PSota, SSIM, correlazione), intervalli di confidenza a livello di fold e studi di ablazione.

Risultati

• Prestazioni Diagnostiche: Negli esperimenti a singola modalità FC, GCAN ha ottenuto prestazioni competitive in compiti di confronto HC vs. SCD, HC vs. MCI e SCD vs. MCI, superando spesso i modelli baseline CNN, ResNet e Transformer. Ad esempio, sul dataset ospedaliero per HC vs. SCD, GCAN ha raggiunto un'accuratezza di 0,933 e un F1-score di 0,929.
• Prestazioni Multimodali: Negli scenari multimodali, i modelli basati sull'attenzione controfatuale hanno generalmente mostrato tendenze favorevoli, in particolare nel compito HC vs. SCD. Tuttavia, gli autori notano che le deviazioni standard sono state relativamente grandi in alcuni compiti (ad es., HC vs. MCI) e i confronti a coppie per fold non hanno sempre raggiunto la significatività statistica, suggerendo la necessità di coorti accoppiate più ampie.
• Interpretabilità: La visualizzazione delle mappe di attenzione controfatuale ha rivelato pattern sparsi e biologicamente plausibili concentrati nelle reti cognitive di ordine superiore (DMN, FPN, CON, SEN). Le mappe positive e negative hanno distinto tra connessioni potenziate e soppresse.
• Confronto con CAM: Rispetto a Grad-CAM e Score-CAM, la controfatuale proposta ha prodotto pattern di connettività più strutturati, specifici per la transizione e con segno definito, mentre i metodi basati su CAM hanno prodotto pattern di attivazione più diffusi.
• Qualità di Sintesi: Le metriche quantitative (PSNR, SSIM, correlazione) hanno indicato che le matrici FC e SC generate mantengono una ragionevole struttura globale e fedeltà edge-wise, sebbene la sintesi SC sia stata notata come più impegnativa a causa della sua topologia sparsa.

Significatività e Affermazioni
Il documento afferma che GCAN rappresenta un passo significativo verso l'IA spiegabile nella neuroimaging, spostandosi dall'attribuzione statica delle caratteristiche al ragionamento dinamico orientato alla transizione. Modellando esplicitamente lo scenario "cosa succederebbe se" di trasformare un cervello sano in uno malato, il framework fornisce intuizioni sui cambiamenti specifici di connettività che guidano il declino cognitivo.

Gli autori mantengono una posizione modesta riguardo alle loro affermazioni:

• Enfatizzano che le reti evidenziate sono coerenti con i meccanismi noti di neurodegenerazione, ma che il metodo fornisce spiegazioni basate sul modello, non prove cliniche dirette della causalità della malattia.
• Riconoscono i limiti, tra cui le dimensioni relativamente ridotte dei dataset accoppiati FC–SC, l'uso di prior di gruppo che potrebbero perdere le traiettorie specifiche del soggetto e la mancanza di validazione longitudinale.
• Concludono che, sebbene i risultati siano promettenti e supportino l'utilità del ragionamento controfatuale per la diagnosi interpretabile, è necessaria un'ulteriore validazione con coorti più ampie, multicentriche e longitudinali per confermare la robustezza statistica e la validità biologica.