Sintesi Tecnica: SA-HGNN per il Riconoscimento della Depressione basato su EEG

Definizione del Problema

Il Disturbo Depressivo Maggiore (MDD) è una crisi sanitaria globale primaria, che richiede metodi diagnostici oggettivi e automatizzati. L'elettroencefalografia (EEG) è ampiamente utilizzata a questo scopo grazie alla sua natura non invasiva e all'elevata risoluzione temporale. Sebbene le Reti Neurali a Grafi (GNN) siano emerse come un approccio mainstream per modellare la connettività funzionale cerebrale, i metodi esistenti affrontano due criticità fondamentali:

1. Modellazione Strutturale Inadeguata: La connettività funzionale del cervello umano possiede una struttura gerarchica intrinseca (ad esempio, la topologia "rich-club"). Le GNN standard operano nello spazio Euclideo, che fatica a rappresentare strutture ad albero gerarchiche in crescita esponenziale senza distorsioni, portando a una modellazione imprecisa della gerarchia latente nelle reti affette da depressione.
2. Topologia Rigida e Rumore: Gli approcci esistenti spesso si affidano a strutture di grafi statiche o non riescono a filtrare efficacemente i canali di rumore ridondanti, che possono oscurare gli autentici schemi topologici della rete cerebrale.

Metodologia: SA-HGNN (Rete Neurale a Grafo Iperbolica Adattiva al Campione)

Per affrontare queste sfide, gli autori propongono SA-HGNN, un framework progettato per estrarre la struttura gerarchica autentica delle reti cerebrali affette da depressione. L'architettura è composta da tre moduli core:

1. Costruzione del Grafo Adattivo al Campione (SAGC)

Questo modulo costruisce dinamicamente topologie di rete cerebrale personalizzate per ogni campione, andando oltre le definizioni di grafo statiche. Esso fonde due rami:

• Ramo del Prior Fisico: Costruisce una topologia spaziale di base ($A_{prior}$) basata sulle coordinate degli elettrodi standard 10–20 e sulle distanze Euclidee.
• Ramo della Correlazione Specifico per il Campione: Deriva una matrice di similarità guidata dai dati ($A_{sim}$) dalle caratteristiche temporali estratte tramite normalizzazione L2 e proiezione lineare.
• Fusione: La matrice di adiacenza finale è formata fondendo le correlazioni specifiche del campione (filtrate da una maschera apprendibile) con il prior fisico utilizzando uno scalare apprendibile ($\lambda$). Ciò fornisce dei priori strutturali pur adattandosi alle variazioni individuali.

2. Convoluzione a Grafo Iperbolico (HGC)

Per superare i colli di bottiglia della rappresentazione nello spazio Euclideo, il modello impiega la geometria iperbolica (specificamente il modello della palla di Poincaré) per catturare le relazioni gerarchiche latenti.

• Mappatura: Le caratteristiche vengono mappate tra spazi Euclideo e iperbolico utilizzando mappe esponenziali ($\text{exp}_0^c$) e logaritmiche ($\text{log}_0^c$).
• Convoluzione: Il processo prevede la proiezione delle caratteristiche Euclidee nello spazio tangente, la loro trasformazione nello spazio iperbolico, l'applicazione di trasformazioni lineari e l'aggregazione delle informazioni strutturali dei vicini all'interno dello spazio tangente prima di mappare nuovamente nello spazio Euclideo. Ciò consente alla rete di ospitare la crescita esponenziale delle strutture gerarchiche inerenti alle reti cerebrali.

3. Pooling con Attenzione (AP)

Questo modulo filtra adattivamente i canali di rumore altamente ridondanti per preservare l'autentica topologia gerarchica.

• Scoring: Un nodo globale apprendibile interagisce con tutti i nodi dei canali EEG tramite auto-attenzione multi-testa per calcolare i punteggi di importanza per ogni nodo.
• Coarsening (Raffinamento): I primi $K$ nodi vengono selezionati per generare un set di caratteristiche sottoposto a pooling e una matrice di adiacenza raffinata per gli strati successivi.
• Vincolo di Perdita: Viene introdotta una Perdita di Uniformità dell'AP ($L_{uni}$) per prevenire l'over-smoothing e garantire la diversità rappresentativa, vincolando le caratteristiche dei nodi scartati.

Funzione di Perdita

La funzione di perdita totale combina tre termini:

1. Perdita di Classificazione ($L_{cls}$): Perdita di cross-entropy standard per il riconoscimento della depressione.
2. Perdita di Sparsità ($L_{sparse}$): Incoraggia topologie di grafo più semplici nel modulo SAGC.
3. Perdita di Uniformità ($L_{uni}$): Garantisce la diversità nel meccanismo di pooling con attenzione.

Contributi Chiave

Il documento rivendica i seguenti contributi primari:

• Architettura Innovativa: È il primo lavoro ad adottare le Reti Neurali a Grafo Iperboliche per modellare la connettività funzionale gerarchica delle reti cerebrali MDD.
• Costruzione del Grafo Adattiva al Campione: L'introduzione del modulo SAGC per costruire dinamicamente topologie di rete cerebrale individualizzate, superando la rigidità dei grafi statici.
• Framework Integrato: Lo sviluppo di un'architettura che combina la Convoluzione a Grafo Iperbolico e il Pooling con Attenzione per catturare strutture gerarchiche nello spazio iperbolico filtrando al contempo i canali rumorosi.
• Validazione Empirica: Dimostrazione di prestazioni superiori su paradigmi EEG a stato di riposo e legati a compiti (task-related) su dataset pubblici.

Risultati Sperimentali

Il modello è stato valutato sul dataset pubblico HUSM, che contiene registrazioni EEG di 34 pazienti MDD e 30 controlli sani (HC) sotto due paradigmi: Stato di riposo (HUSM-Rest) e Legato a compiti (HUSM-Task).

• Prestazioni: SA-HGNN ha raggiunto risultati allo stato dell'arte, superando sette modelli basati su grafi (inclusi DCGNN, GraphSleepNet e SDGCN).
  • HUSM-Rest: Ha raggiunto il 95,24% di Accuratezza e il 95,77% di F1 Score, superando il secondo miglior metodo (GraphSleepNet) rispettivamente del 1,82% e del 2,29%.
  • HUSM-Task: Ha raggiunto il 94,26% di Accuratezza e il 94,69% di F1 Score, superando il secondo miglior metodo (GCBNet) dello 0,39% e dello 0,42%.
• Studio di Ablazione: Gli esperimenti hanno confermato che il modello completo (combinando SAGC, HGC e AP) supera significativamente le varianti che utilizzano solo singoli o coppie di moduli, validando l'effetto sinergico dei componenti proposti.
• Robustezza: L'analisi di sensibilità ha mostrato che il modello mantiene prestazioni stabili attraverso un intervallo di valori degli iperparametri per la sparsificazione e i pesi della perdita di uniformità.

Significato e Rivendicazioni

Gli autori affermano che SA-HGNN affronta efficacementamente la distorsione strutturale causata dalla modellazione di reti cerebrali gerarchiche nello spazio Euclideo. Sfruttando la geometria iperbolica, il modello cattura più accuratamente la topologia "rich-club" e i pattern gerarchici latenti interrotti nella MDD.

Inoltre, la visualizzazione delle matrici di adiacenza apprese ha rivelato biomarcatori neurobiologici coerenti con i risultati clinici:

• Stato di Riposo: Iperconnettività nelle regioni centrali della linea mediana (associata alla sovraattivazione della rete del default mode).
• Stato di Compito (Task): Alterazioni degne di nota nelle regioni fronto-parietali sinistre (legate ai deficit emotivo-cognitivi).

Il documento conclude che SA-HGNN fornisce un framework robusto e mitigatore del rumore per catturare i pattern di connettività funzionale anomali, offrendo un miglioramento significativo rispetto alle tradizionali GNN basate su Euclideo per la diagnosi automatizzata della MDD.