MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis

Sintesi Tecnica: MediEncoder per l'analisi di mediazione causale non lineare ad alta dimensionalità

Problema
L'analisi di mediazione causale mira a scomporre gli effetti del trattamento in effetti diretti naturali (NDE) ed effetti indiretti naturali (NIE) che operano attraverso i mediatori. Mentre i metodi classici assumono covariate e mediatori a bassa dimensionalità e direttamente osservati, gli studi biomedici moderni (ad esempio, genomica, multi-omica) coinvolgono frequentemente misurazioni ad alta dimensionalità e rumorose che fungono da proxy per processi biologici latenti a bassa dimensionalità. I metodi esistenti di mediazione ad alta dimensionalità affrontano limitazioni significative:

1. Sparsità/Selezione delle variabili: I metodi basati sulla sparsità (ad esempio, Lasso) trattano le variabili osservate come mediatori, fallendo nel modellare la struttura latente sottostante.
2. Linearità: Le tecniche di riduzione della dimensionalità basate su PCA o modelli a fattori lineari assumono mappe di misurazione lineari, il che può essere restrittivo in sistemi biologici complessi dove le relazioni sono non lineari.
3. Indipendenza Strutturale: Gli approcci di deep learning (ad esempio, autoencoder standard o VAE) spesso apprendono rappresentazioni per le covariate e i mediatori in modo indipendente, ignorando la dipendenza strutturale tra i sistemi latenti.
4. Non linearità Latente: Gli stimatori di mediazione deep esistenti spesso non mirano esplicitamente a contesti con fattori latenti non lineari e dipendenza strutturale tra le rappresentazioni delle covariate e dei mediatori.

La sfida centrale è sviluppare un framework che gestisca simultaneamente la struttura latente, l'alta dimensionalità, le mappe di misurazione non lineari e le interazioni trattamento–covariata–mediatore.

Metodologia: MediEncoder
Gli autori propongono MediEncoder, un framework di apprendimento della rappresentazione progettato per l'analisi di mediazione causale non lineare ad alta dimensionalità. Il metodo opera in due fasi principali:

1. Apprendimento della Rappresentazione Accoppiata:
   MediEncoder impiega un'architettura encoder–decoder strutturata per apprendere congiuntamente rappresentazioni a bassa dimensionalità di covariate ($X$) e mediatori ($M$) ad alta dimensionalità. L'architettura consiste in:

   • Encoder/Decoder: Coppie separate di encoder-decoder ($g_X, h_X$ e $g_M, h_M$) per le covariate e i mediatori per minimizzare la perdita di ricostruzione.
   • Rete Cross-Factor ($g_{XM}$): Un componente critico che mappa il trattamento ($A$) e la rappresentazione della covariata appresa ($g_X(X)$) nello spazio della rappresentazione del mediatore ($g_M(M)$). Questa rete impone un accoppiamento direzionale, incoraggiando la rappresentazione del mediatore a essere prevedibile dal trattamento e dalla rappresentazione della covariata, rispettando così l'equazione strutturale latente $f_M = \mu^*(A, f_X) + \text{rumore}$.
   • Funzione di Perdita: L'obiettivo di addestramento minimizza una somma pesata delle perdite di ricostruzione per $X$ e $M$, più un termine di perdita di allineamento ($\lambda_3$) che penalizza la discrepanza tra la reale rappresentazione del mediatore e la previsione dalla rete cross-factor.

2. Stima della Funzione di Influenza Efficiente tramite Cross-Fitting:
   Una volta apprese le rappresentazioni, queste vengono utilizzate per stimare le funzioni di disturbo (propensity score, regressioni dell'outcome e rapporti di densità) necessarie per l'analisi di mediazione. Gli autori utilizzano una procedura di cross-fitting (suddivisione dei dati in quattro sottoinsiemi disgiunti) per stimare il parametro target $\theta_0 = E\{Y(1, f_M(0))\}$ (la media cross-world) utilizzando uno stimatore basato sulla funzione di influenza efficiente (IF).

   • Lo stimatore è costruito sostituendo i fattori latenti non osservati nell'IF oracle con le rappresentazioni apprese.
   • I risultati teorici dimostrano che non è richiesto il recupero esatto dei veri fattori latenti; è sufficiente che le rappresentazioni apprese approssimino una trasformazione sinistra invertibile dei fattori latenti.

Contributi Chiave
Il documento delinea quattro contributi primari:

1. Framework di Fattori Latenti Non Lineari: Introduzione di un framework di mediazione per dati ad alta dimensionalità che evita assunzioni di linearità e sparsità, accogliendo strutture latenti e mappe di misurazione non lineari.
2. Algoritmo MediEncoder: Sviluppo di un algoritmo di apprendimento della rappresentazione accoppiata utilizzando una rete cross-factor per catturare la dipendenza strutturale tra le rappresentazioni delle covariate e dei mediatori, distinto dai comuni autoencoder multi-vista.
3. Teoria Asintotica Modulare: Stabilimento di un framework teorico che dimostra che il risultante stimatore cross-fitted è $\sqrt{n}$-consistente e asintoticamente normale. La teoria formalizza che l'inferenza valida è garantita finché la rappresentazione appresa approssima una trasformazione sinistra invertibile dei fattori latenti, a condizione che gli stimatori di disturbo convergano con tassi appropriati.
4. Validazione Empirica: Dimostrazione delle prestazioni del metodo attraverso estese simulazioni e un'applicazione su dati reali dell'Alzheimer's Disease Neuroimaging Initiative (ADNI).

Risultati

• Simulazioni: In contesti non lineari ad alta dimensionalità (utilizzando funzioni di carico Haar wavelet), MediEncoder ha superato costantemente gli approcci di riduzione della dimensionalità concorrenti, inclusi Projection, Autoencoder standard, Variational Autoencoders (VAE) e IMAVAE. MediEncoder ha ottenuto un RMSE inferiore, deviazioni standard minori e intervalli di confidenza con tassi di copertura vicini al livello nominale del 95%. Uno studio di ablazione ha confermato che il termine di allineamento ($\lambda_3$) è cruciale per stabilizzare la rappresentazione appresa del mediatore e migliorare l'efficienza della stima, particolarmente in campioni piccoli.
• Applicazione su Dati Reali (ADNI): Il metodo è stato applicato per studiare la mediazione dei sintomi depressivi (trattamento) sul declino cognitivo (outcome) tramite la metilazione del DNA (mediatore). L'analisi ($n=649, p=171, q=3.206$) ha stimato un effetto totale positivo dei sintomi depressivi sul declino cognitivo. Le stime puntuali hanno suggerito che l'effetto opera principalmente attraverso la via diretta, con un effetto indiretto più piccolo e incerto mediato dalla metilazione del DNA. L'intervallo dell'effetto totale escludeva lo zero, mentre gli intervalli di effetto diretto e indiretto includevano lo zero, suggerendo cautela nell'interpretare il meccanismo di mediazione.

Significato e Rivendicazioni
Il documento sostiene che MediEncoder colma un vuoto critico nell'inferenza causale fornendo un framework statisticamente valido per l'analisi di mediazione ad alta dimensionalità dove le variabili sono proxy rumorosi di processi biologici latenti e non lineari. A differenza dei metodi precedenti che affrontano solo parti di questo problema (ad esempio, la linearità o l'indipendenza), MediEncoder apprende congiuntamente rappresentazioni che si allineano con la struttura di mediazione latente. Gli autori sottolineano che i loro risultati teorici non richiedono il recupero esatto dei fattori latenti, ma solo che le rappresentazioni apprese preservino l'informazione necessaria per la funzione di mediazione tramite una trasformazione sinistra invertibile. Ciò rende il metodo robusto rispetto alle complessità dei moderni dati biomedici pur mantenendo le desiderabili proprietà statistiche dell'efficienza semiparametrica.