Sintesi Tecnica: Da Persistenza a Sopravvivenza (STRAND)

Definizione del Problema

L'Analisi Topologica dei Dati (TDA) utilizza l'omologia persistente per estrarre descrittori basati sulla forma dai dati, producendo diagrammi di persistenza (PD). Sebbene i PD catturino efficacemente le caratteristiche topologiche (componenti connesse, cicli, vuoti) attraverso diverse scale, essi presentano due sfide significative per i professionisti:

1. Mancanza di Statistica Confermatoria: I metodi esistenti per confrontare i PD sono ampiamente descrittivi. Esiste una scarsità di test di ipotesi principati che possano confermare le differenze topologiche tra gruppi con un errore di Tipo I calibrato e un'elevata potenza statistica, particolarmente quando le dimensioni del campione (numero di diagrammi) sono ridotte.
2. Incompatibilità con il Machine Learning: I PD sono multiset di cardinalità variabile, rendendoli incompatibili con gli algoritmi di machine learning standard che richiedono input vettoriali a dimensionalità fissa.
3. Toolkit Disconnessi: Le soluzioni attuali affrontano questi problemi separatamente. I metodi di vettorizzazione (es. Persistence Images, Landscapes) consentono la classificazione ma mancano di capacità di inferenza statistica. Al contrario, i metodi di test di ipotesi (es. test di permutazione su distanze di Wasserstein) forniscono p-value ma non riescono a fornire dimensioni dell'effetto interpretabili, localizzazione delle differenze o una rappresentazione unificata per la predizione a valle. Ciò costringe i professionisti a utilizzare strumenti separati per l'inferenza e la predizione, interrompendo il legame interpretativo tra le caratteristiche significative e le caratteristiche predittive.

Metodologia: STRAND

Gli autori introducono STRAND (Survival Topological Representation ANalysis of Diagrams), un framework che unifica il test di ipotesi e la vettorizzazione mappando i diagrammi di persistenza in dati di sopravvivenza.

Concetto Centrale: La Persistenza come Sopravvivenza

STRAND tratta il valore di persistenza $p = d - b$ di ogni caratteristica topologica (dove $b$ è la nascita e $d$ è la morte) come un "tempo all'evento" completamente osservato.

• La Funzione di Sopravvivenza della Persistenza: L'oggetto centrale è definito come $S(t) = P(p > t)$, che rappresenta la probabilità che una caratteristica scelta casualmente persista oltre la scala di filtrazione $t$.
• Stima: Per una collezione di diagrammi, STRAND impiega lo stimatore di Kaplan-Meier per calcolare la funzione di sopravvivenza empirica $\hat{S}(t)$ e lo stimatore di Nelson-Aalen per il rischio cumulativo. Gestisce la struttura di "ingresso ritardato" dei PD (le caratteristiche sono osservabili solo tra la nascita e la morte) tramite la troncatura a sinistra.

Componenti Chiave

1. Test di Ipotesi (Sezione 3.2):

   • STRAND confronta due gruppi di PD testando l'ipotesi nulla $H_0: S_A(t) = S_B(t)$ contro l'ipotesi alternativa che essi differiscano per un certo $t$.
   • Utilizza il test log-rank, un statistico non parametrico che confronta gli eventi osservati rispetto a quelli attesi sotto l'ipotesi nulla.
   • Dimensioni dell'Effetto: A differenza dei metodi che forniscono solo p-value, STRAND fornisce dimensioni dell'effetto interpretabili, inclusi i rapporti di rischio (hazard ratios, sotto assunzioni di rischi proporzionali) e le differenze di persistenza mediana ($\Delta_{med}$), insieme agli intervalli di confidenza bootstrap. Inoltre, localizza le differenze lungo l'asse della persistenza utilizzando le curve di Kaplan-Meier.

2. Vettorizzazione (Sezione 3.3):

   • La stessa funzione di sopravvivenza $\hat{S}(t)$ utilizzata per il test viene discretizzata su una griglia fissa per produrre un vettore di caratteristiche a dimensionalità fissa.
   • Stabilità: Il vettore risultante è dimostrato essere 1-stabile rispetto alla distanza di Wasserstein. Il Teorema 3.1 stabilisce che la distanza tra i vettori STRAND è limitata dalla distanza 1-Wasserstein tra i diagrammi di input, garantendo robustezza al rumore e alle piccole perturbazioni.
   • Efficienza: Il metodo produce vettori a bassa dimensionalità (es. 50–100 caratteristiche) rispetto alle alternative ad alta dimensionalità come le Persistence Images, riducendo i costi computazionali per i classificatori a valle.

Risultati Chiave

1. Validazione Statistica (Manifold Sintetici)

• Controllo dell'Errore di Tipo I: Gli esperimenti su manifold sintetici (toro 4D, bottiglia di Klein, sfera 3D) con rumore controllato mostrano che STRAND mantiene tassi di errore di Tipo I calibrati coerenti con il valore nominale $\alpha = 0.05$, anche in presenza di correlazioni intra-diagramma (regola dell'anziano/elder rule).
• Potenza Statistica: STRAND dimostra un'elevata potenza anche con campioni molto piccoli. Sui dati del toro 4D, raggiunge una potenza >90% con appena due diagrammi per gruppo, sfruttando l'abbondanza di caratteristiche topologiche all'interno di ciascun diagramma.
• Rilevamento del Segnale: Il metodo distingue con successo il segnale (manifold) dalle caratteristiche di rumore, con p-value del log-rank costantemente inferiori a 0.05 attraverso i regimi di probabilità del segnale.

2. Benchmark di Classificazione

• Performance: STRAND è stato valutato su 14 dataset (10 dataset di grafi da TU Dortmund e 4 dataset di nuvole di punti 3D).
  • Sui dataset di grafi, STRAND ha raggiunto un'accuratezza competitiva (media 61.5%), comparabile alle vettorizzazioni allo stato dell'arte come le Persistence Images (PI) e la Sliced Wasserstein Kernel (SWK).
  • Sui dataset di nuvole di punti 3D, STRAND ha ottenuto la più alta accuratezza media (79.5%), superando PI (76.7%) e altri baseline, con margini significativi su dataset multiclasse complessi.
• Efficienza Computazionale: STRAND offre una riduzione massiccia della dimensionalità delle caratteristiche (30–85× inferiore rispetto alle Persistence Images) e del tempo di calcolo. Per dataset di grandi dimensioni (es. ModelNet10), i metodi basati su kernel diventavano impraticabili a causa della complessità $O(N^2)$, mentre STRAND rimaneva trattabile.

3. Caso di Studio: Connettività Cerebrale nell'Autismo

• Applicato al dataset ABIDE per confrontare la connettività funzionale cerebrale tra bambini (<13) e adulti ($\ge$18).
• STRAND ha rilevato differenze evolutive significative nelle strutture cicliche ($H_1$) attraverso tre atlanti cerebrali, quantificando l'effetto con rapporti di rischio ($HR > 1$, indicando una minore persistenza nei bambini).
• A differenza dei metodi di base che fornivano solo p-value, STRAND ha rivelato che l'entità dell'effetto (HR) variava con la risoluzione della parcellizzazione, fornendo una caratterizzazione dello sviluppo topologico sfumata e interpretabile.

Significato e Rivendicazioni

Il paper afferma che STRAND è il primo metodo a fornire test di ipotesi, dimensioni dell'effetto interpretabili e vettorizzazione stabile per i diagrammi di persistenza da una singola rappresentazione coerente.

• Unificazione: Esso colma il divario tra inferenza statistica e machine learning, assicurando che le caratteristiche che guidano la predizione siano le stesse testate per la significatività.
• Interpretabilità: Sfruttando la meccanica dell'analisi della sopravvivenza, STRAND va oltre i p-value scalari per offrire la localizzazione delle differenze (tramite curve di Kaplan-Meier) e la quantificazione dell'entità dell'effetto (tramite hazard ratios e differenze di mediana).
• Utilità Pratica: Il metodo è particolarmente prezioso in contesti che richiedono studi confermativi con campioni ridotti (es. drug discovery, imaging biomedico) dove comprendere la dimensione e la direzione delle differenze topologiche è critico quanto la loro esistenza.

Gli autori rimangono modesti riguardo all'assunzione di rischi proporzionali, notando che, sebbene il test log-rank rimanga valido senza di essa, l'interpretazione del rapporto di rischio come singolo effetto riassuntivo richiede tale assunzione. In casi di rischi non proporzionali, raccomandano di riportare le differenze di persistenza mediana insieme alle curve di sopravvivenza.