Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization

Sintesi Tecnica: Interventional Flow Matching (IFM)

Problematica
Il documento affronta la sfida della previsione interventistica prospettica nella gestione del glucosio. A differenza dell'estrapolazione standard di serie temporali, dove gli input futuri sono osservati, la pianificazione del trattamento richiede di prevedere la traiettoria fisiologica di un paziente sotto una sequenza pianificata di input di insulina e carboidrati ($U^{int}_{1:H}$).

La difficoltà principale risiede nel confondimento (confounding): nei dati osservazionali, i driver futuri (insulina/cibo) sono determinati da politiche cliniche e comportamenti del paziente accoppiati allo stato attuale. Un modello puramente predittivo può apprendere correlazioni spurie (ad esempio, associare l'amministrazione di insulina a un aumento del glucosio perché l'insulina viene spesso somministrata quando il glucosio è già alto) piuttosto che il vero effetto causale fisiologico. Di conseguenza, un'elevata accuratezza sulle traiettorie osservate non garantisce la correttezza delle risposte alle interazioni pianificate. L'obiettivo è apprendere la distribuzione interventistica $p(G_{1:H} | X_{1:L}, do(U_{1:H} = U^{int}_{1:H}))$ che rispetti i vincoli fisiologici senza fare affidamento su rigide equazioni meccanicistiche.

Metodologia: Interventional Flow Matching (IFM)
IFM è un framework generativo a tempo continuo che condiziona un campo di velocità di "flow matching" sulla storia del paziente e sui driver futuri pianificati. L'architettura è composta da tre componenti principali:

1. Elaborazione degli Input e Rappresentazione Latente:

   • Codifica della Storia (History Encoding): Un encoder Mamba residuo riassume la storia osservata del paziente ($X_{1:L}$).
   • Smoothing dei Driver: Gli input pianificati di insulina e carboidrati passano attraverso uno smorzatore (smoother) farmacocinetico (PK) appreso per modellare gli effetti fisiologici ritardati e distribuiti, convertendo impulsi sparsi in driver smorzati efficaci ($D_{1:H}$).
   • Spazio Latente: Il glucosio è mappato in uno spazio latente illimitato $z$ tramite una trasformazione sigmoidea, permettendo alla dinamica del flusso di operare senza vincoli di confine, mentre le previsioni decodificate rimangono entro i limiti fisiologici ($[g_{min}, g_{max}]$).

2. Rete di Velocità Condizionata:

   • Il modello utilizza un campo di velocità scalare $v_\theta$ che trasporta il glucosio latente attraverso un tempo di flusso continuo $\tau$.
   • La rete è condizionata dallo stato ricorrente (storia) e dai driver smorzati tramite AdaLN (Adaptive Layer Normalization). Ciò consente ai driver pianificati di modulare direttamente la dinamica di trasporto locale.
   • L'inferenza procede tramite rollout autoregressivo: il campo di velocità predice lo stato latente successivo, che aggiorna lo stato ricorrente per il passo temporale fisico successivo.

3. Regolarizzazione del Jacobiano del Campo di Velocità (L'Innovazione Centrale):

   • Invece di imporre rigidi vincoli di equazioni differenziali ordinarie (ODE) o utilizzare costosi loss di ranking basati sul rollout, IFM impone una regolarizzazione priva di solver sul campo di velocità istantaneo.
   • Calcola il Jacobiano del campo di velocità rispetto ai driver smorzati.
   • Un termine di penalità ($L_{jac}$) viene applicato per garantire che queste sensibilità locali rientrino in intervalli fisiologici con segno e dosaggio definiti:
     • La sensibilità all'insulina deve essere negativa (abbassa il glucosio).
     • La sensibilità ai carboidrati deve essere positiva (aumenta il glucosio).
     • Le magnitudo devono rimanere entro limiti plausibili (ad esempio, evitando sensibilità nulle o valori estremi).
   • Questa penalità è applicata puntualmente al campo di velocità nei punti di campionamento del flusso, evitando il costo computazionale di differenziare attraverso interi rollout multi-step.

Contributi Chiave

1. Risposte Interventistiche Fisiologicamente Valide: IFM impone che il modello apprenda la corretta semantica dell'intervento (l'insulina abbassa, i carboidrati alzano il glucosio) regolarizzando il campo di velocità locale, piuttosto che affidarsi esclusivamente all'adattamento delle traiettorie osservazionali.
2. Vincolo senza ODE Meccanicistiche: A differenza dei modelli ibridi che richiedono equazioni differenziali specificate manualmente o compartimenti latenti, IFM utilizza prior direzionali deboli ma affidabili imposti tramite una penalità Jacobiana, offrendo un'alternativa più leggera ai completi scaffold meccanicistici.
3. Regolarizzazione Senza Simulazione: La penalità di intervento è applicata direttamente alle derivate del campo di velocità, rendendola computazionalmente efficiente rispetto agli obiettivi causali basati sul ranking che richiedono simulazioni complete della traiettoria.
4. Migliore Compromesso Accuratezza-Intervento: Il framework bilancia l'elevata accuratezza dei driver osservati con una forte validità interventistica.

Risultati Sperimentali
Il metodo è stato valutato su una coorte simulata di diabete di Tipo 1 (simulatore UVA/Padova) con 100 soggetti virtuali.

• Metriche: Le prestazioni sono state misurate tramite l'RMSE del driver osservato e metriche di risposta interventistica: magnitudo della sensibilità ($S_{ins}, S_{carb}$), coerenza direzionale rigorosa ($D_{strict}$) e coerenza di ranking rigorosa ($R_{strict}$).
• Risultati:
  • IFM ha ottenuto il miglior equilibrio tra accuratezza osservata e validità interventistica.
  • I baseline come LSTM e TCN hanno ottenuto un basso RMSE ma hanno fallito nel produrre risposte interventistiche fisiologicamente corrette (ad esempio, sensibilità deboli o invertite).
  • I baseline meccanicistici/ibridi (ad esempio, Hovorka, BNODE) hanno mostrato risultati misti; alcuni avevano un'alta coerenza di ranking ma una debole sensibilità all'insulina, o viceversa.
  • Ablazione: Rimuovendo la penalità Jacobiana ($\lambda_{jac}=0$), si è ottenuto l'RMSE migliore ma un fallimento catastrofico nella validità interventistica ($D_{strict} \approx 0.48, R_{strict} \approx 0.00$), confermando che l'accuratezza osservazionale non implica la correttezza causale.
  • Fedeltà: Una perdita di fedeltà sottocampionata e leggera è stata necessaria per controllare l'accumulo di errore autoregressivo senza sacrificare i benefici del regolarizzatore Jacobiano.

Significatività e Rivendicazioni
Il documento afferma che IFM fornisce un framework robusto per la previsione prospettica dose-risposta dove l'obiettivo primario non è solo l'accuratezza della traiettoria, ma la previsione di magnitudo di risposta plausibili, direzioni di risposta corrette e ranking di dose coerenti.

Gli autori sottolineano che l'accuratezza esatta della traiettoria interventistica è spesso irraggiungibile a causa di confonditori non osservati (stress, attività, variabilità dell'assorbimento). Pertanto, la "rivendicazione di intervento più difendibile" è la capacità del modello di prevedere la direzione e la magnitudo relativa della risposta ai trattamenti pianificati. IFM ottiene questo separando l'apprendimento della dinamica del glucosio (tramite l'encoder e il modello di flow) dal controllo della semantica dell'intervento (tramite la penalità Jacobiana), assicurando che il modello rispetti i prior fisiologici senza richiedere un simulatore meccanicistico completo. Il lavoro suggerisce che la regolarizzazione della risposta a livello locale è un complemento praticabile al forecasting di rollout appreso quando sono disponibili affidabili prior direzionali.