Sintesi Tecnica: ProMUSE

Definizione del Problema

La diagnosi della malattia di Alzheimer (AD) si affida sempre più a dati multi-modali, che includono valutazioni cliniche, risonanza magnetica (MRI) strutturale e tomografia a emissione di positroni (PET). Sebbene la combinazione di queste modalità migliori l'accuratezza diagnostica, l'acquisizione di scansioni MRI e PET è costosa (variando da circa 558 a 910 USD per la MRI e circa 3.000 USD per la PET) e non è universalmente accessibile. I modelli di predizione esistenti tipicamente assumono la disponibilità di tutte le modalità al momento dell'inferenza, richiedendo implicitamente l'uso di costose immagini per ogni paziente. Questo approccio impone pesanti oneri finanziari e clinici, trascurando i vincoli pratici degli ambienti sanitari reali, dove il costo e l'accessibilità sono fattori critici. Inoltre, distinguere tra l'Ipotensione Cognitiva Lieve (MCI) e gli individui Cognitivamente Normali (CN) e l'AD conclamato è particolarmente difficile a causa delle caratteristiche sottili ed eterogenee della MCI.

Metodologia

Gli autori propongono ProMUSE (Progressive Multi-modal Uncertainty-guided Staged Evidential network), un framework progettato per determinare adattivamente quando sono necessarie ulteriori modalità, riducendo così i costi di acquisizione dei dati pur mantenendo l'accuratezza diagnostica.

1. Rappresentazione dei Dati e Pre-elaborazione

• Dati Clinici: Elaborati tramite un Perceptron Multistrato (MLP) con quattro strati lineari.
• Dati MRI e PET: Rappresentati come dati strutturati a grafo ($G = [E, X]$).
  • MRI: Le regioni cerebrali sono segmentate utilizzando FreeSurfer per estrarre caratteristiche radiomiche ($X_{MRI}$), con archi ($E$) definiti dalla prossimità spaziale.
  • PET: Utilizza le stesse coordinate dei nodi della MRI per la coerenza anatomica, ma deriva le caratteristiche dei nodi ($X_{PET}$) dal PET Unified Pipeline (PUP), inclusi i conteggi dei voxel e i rapporti di valore di captazione standardizzata (SUVR).
  • Elaborazione: Entrambi i grafi MRI e PET sono elaborati utilizzando un'architettura Graph Neural Network (GNN) composta da due strati GraphSAGE seguiti da uno strato lineare completamente connesso.

2. Quantificazione dell'Incertezza tramite Logica Soggettiva

ProMUSE impiega un modello di logica soggettiva basato su Dirichlet per quantificare l'incertezza per ogni modalità indipendentemente:

• Modellazione dell'Evidenza: I logit in uscita da ogni modalità vengono trasformati in vettori di evidenza non negativi utilizzando la funzione di attivazione Softplus.
• Parametrizzazione di Dirichlet: L'evidenza è mappata nei parametri di Dirichlet ($d = e + 1$).
• Credenza e Incertezza: Il modello calcola la massa di credenza ($B$) e il grado di incertezza ($U$) per ogni classe. L'incertezza è definita come la massa di probabilità non assegnata, riflettendo l'evidenza mancante. Dati di alta qualità producono maggiore evidenza e minore incertezza.

3. Fusione Multi-modale tramite Teoria di Dempster-Shafer (DST)

Per superare i limiti degli input a singola modalità, ProMUSE fonde l'evidenza di più modalità utilizzando la DST:

• Regola di Fusione: Le masse di credenza e i gradi di incertezza provenienti da diverse modalità (ad esempio, Clinica + MRI) vengono combinati utilizzando la regola di combinazione DST.
• Gestione del Conflitto: La fusione tiene conto del coefficiente di conflitto ($C$) tra le modalità. Un alto conflitto aumenta l'incertezza, mentre un'evidenza coerente la riduce.
• Normalizzazione: Le masse di credenza fuse e l'incertezza sono normalizzate per garantire la coerenza probabilistica.

4. Strategia di Acquisizione a Fasi

Il framework opera in modo progressivo e a stadi:

1. Fase 1 (Clinica): Il modello analizza prima i dati clinici a basso costo. Se l'incertezza calcolata è inferiore a una soglia appresa ($\tau_1$), viene effettuata una predizione finale.
2. Fase 2 (Clinica + MRI): Se l'incertezza supera $\tau_1$, i dati MRI vengono acquisiti e fusi con i dati clinici. Se la nuova incertezza è inferiore a una seconda soglia ($\tau_2$), viene effettuata una predizione.
3. Fase 3 (Clinica + MRI + PET): Se l'incertezza supera ancora $\tau_2$, la PET viene aggiunta come modalità finale per produrre la predizione.

• Selezione della Soglia: Le soglie ottimali ($\tau_1, \tau_2$) sono determinate tramite una procedura di ricerca a griglia guidata dai dati per massimizzare l'accuratezza sui set di validazione.

5. Funzione di Perdita

Il modello è addestrato utilizzando una funzione di perdita ibrida:

• Cross-Entropy: Per la supervisione standard della classificazione.
• Evidential Loss: Basata sulla distribuzione di Dirichlet per incoraggiare una forte evidenza per le classi corrette.
• Regolarizzazione KL Divergence: Impedisce al modello di aumentare arbitrariamente l'evidenza per tutte le classi, con un coefficiente di annealing ($I_r$) per controllare la forza della regolarizzazione durante l'addestramento.

Contributi Chiave

1. Framework Efficiente nei Costi: ProMUSE introduce una strategia di acquisizione a stadi che dà priorità ai dati clinici meno costosi, incorporando selettivamente le immagini costose (MRI/PET) solo quando l'incertezza è elevata.
2. Processo Decisionale Guidato dall'Incertezza: Sfruttando la logica soggettiva basata su Dirichlet e la teoria di Dempster-Shafer, il framework modella esplicitamente e gestisce l'incertezza per guidare la selezione della modalità.
3. Riduzione delle Risorse: L'approccio riduce significativamente la dipendenza da risorse ad alto costo senza compromettere le prestazioni diagnostiche.
4. Valutazione Completa: Il framework è validato su tre dataset indipendenti (ADNI, AIBL, OASIS) e tre compiti di classificazione binaria (CN vs. AD, CN vs. MCI, MCI vs. AD).

Risultati Sperimentali

Gli esperimenti sono stati condotti sui dataset ADNI, AIBL e OASIS. ProMUSE è stato confrontato con 16 modelli di base (inclusi KNN, SVM, RF e varie architetture di deep learning).

• Accuratezza: ProMUSE ha ottenuto un'accuratezza competitiva o superiore rispetto ai modelli di base a modalità complete.
  • ADNI: 0,907 di accuratezza (CN vs. AD) e 0,810 (CN vs. MCI).
  • AIBL: 0,945 di accuratezza (CN vs. AD) e 0,889 (CN vs. MCI).
  • OASIS: 0,934 di accuratezza (CN vs. AD) e 0,990 (CN vs. MCI).
  • Nota: Le prestazioni nel compito MCI vs. AD sono state generalmente inferiori in tutti i modelli, incluso ProMUSE, riflettendo l'intrinseca difficoltà di questa classificazione.
• Risparmio sui Costi: La strategia a stadi ha ridotto l'uso di MRI/PET dal 50% al 90%.
  • L'analisi dei costi stima un risparmio medio di 2.325 - 3.558 USD per paziente, a seconda del dataset e del compito.
  • Ad esempio, nel compito CN vs. AD di ADNI, il 50% dei pazienti è stato diagnosticato utilizzando solo i dati clinici, e il 26,27% ha richiesto solo clinica + MRI, risparmiando significativi costi di imaging.
• Sensibilità della Soglia: L'analisi ha mostrato che soglie di incertezza più basse portano a un maggiore utilizzo delle modalità. Tuttavia, gli autori osservano che un'incertezza inferiore non garantisce sempre un'accuratezza maggiore, suggerendo che sia necessario un equilibrio ottimale.

Significato e Dichiarazioni

L'articolo sostiene che ProMUSE offra una soluzione pratica, consapevole dell'incertezza e efficiente nelle risorse per lo screening dell'AD nel mondo reale. Determinando adattivamente quando sono necessarie ulteriori modalità, il framework affronta il limite critico dei metodi esistenti che assumono la piena disponibilità delle modalità. I risultati dimostrano che è possibile mantenere un'elevata accuratezza diagnostica riducendo drasticamente l'onere finanziario dell'acquisizione dei dati.

Gli autori dichiarano esplicitamente che, sebbene i risultati siano promettenti, il framework non è ancora stato validato su applicazioni nel mondo reale che coinvolgano pazienti umani reali in un flusso di lavoro clinico. Riconoscono che sono necessari ulteriori test per applicare il framework nella vita normale e suggeriscono che il lavoro futuro possa concentrarsi sul rendere il grado di incertezza più robusto attraverso algoritmi aggiuntivi.