Sintesi Tecnica: La Geometria Riemanniana incontra la fMRI

1. Definizione del Problema

La connettività funzionale nelle neuroscienze viene tipicamente riassunta utilizzando matrici di correlazione derivate dalla risonanza magnetica funziva a stato di riposo (rs-fMRI). Gli approcci analitici standard spesso trattano queste matrici come vettori euclidei non vincolati, ignorando la propria intrinseca geometria curva dello spazio di correlazione. Questo trattamento euclideo porta a diverse problematiche:

• Incoerenza Geometrica: La media euclidea delle matrici di correlazione spesso cade al di fuori del manifold delle matrici di correlazione valide (ovvero, potrebbe non avere elementi diagonali unitari), mentre la media geometrica (Fréchet) rimane sul manifold.
• Limitazioni Computazionali: Gli esistenti metodi geometrici per le matrici di correlazione, come il Quotient-Affine Metric (QAM) sull'ellitope, spesso mancano di espressioni in forma chiusa, rendendoli computazionalmente proibitivi per dati neuroscientifici ad alta dimensionalità.
• Dipendenze Arbitrarie: I metodi che si affidano alla decomposizione di Cholesky (ad esempio, metriche Euclidean-Cholesky o Log-Euclidean Cholesky) non sono invarianti per permutazione; i risultati dipendono dall'ordinamento arbitrario delle regioni cerebrali.
• Ambiguità Spettrali: Quando si analizzano i sottospazi degli autovettori (ad esempio, dai Laplaciani grafici), i trattamenti euclidei standard non tengono conto dei cambi di segno e delle rotazioni della base inerenti alle decomposizioni spettrali, introducendo variabilità spuria.

2. Metodologia

Gli autori propongono un framework geometrico scalabile composto da due componenti principali: una metrica per le matrici di correlazione e un manifold per i sottospazi degli autovettori.

2.1 La Metrica Off–log per le Matrici di Correlazione

Gli autori introducono la metrica Off–log Euclidean, una trasformazione fluida che mappa il manifold delle matrici di correlazione, $\text{Cor}_+(n)$, nello spazio vettoriale delle matrici simmetriche vuote (zero-diagonal) $\text{Hol}(n)$.

• Trasformazione: La mappa $\text{Log}_{\text{off}}: \text{Cor}_+(n) \to \text{Hol}(n)$ è definita come $\text{Log}_{\text{off}}(C) = \text{Off}(\log C) = \log C - \text{Diag}(\text{diag}(\log C))$.
• Inverso: La mappa inversa $\text{Exp}_{\text{off}}$ ricostruisce una matrice di correlazione valida aggiungendo una correzione diagonale unica $D(S)$ tale che la diagonale dell'esponenziale sia pari a uno.
• Proprietà: Questa metrica induce una struttura di gruppo di Lie log-Euclidea su $\text{Cor}_+(n)$. È:
  • Invariante per permutazione: I risultati non dipendono dall'ordine delle variabili.
  • In forma chiusa: Distanze, medie di Fréchet e modelli lineari hanno espressioni esplicite.
  • Diffeomorfismo Globale: A differenza delle proiezioni nello spazio tangente standard, che sono approssimazioni locali, la mappa Off–log fornisce una rappresentazione lineare globale del manifold.
• Implementazione: Le operazioni statistiche (ad esempio, test di ipotesi, regressione) vengono eseguite nello spazio euclideo delle matrici vuote ($\text{Hol}(n)$) e mappate nuovamente in correlazioni valide tramite $\text{Exp}_{\text{off}}$.

2.2 Discriminazione di Sottospazio Grassmanniano

Per le analisi che coinvolgono gli autovettori (specificamente quelli del Laplaciano del grafo costruito dalle matrici di correlazione), gli autori modellano i dati come punti su un manifold di Grassmann, $\text{Gr}(k, n)$.

• Razionale: Questo tratta il sottospazio di dimensione $k$ spaziato dagli autovettori come l'oggetto fondamentale, piuttosto che i vettori di base ordinati. Ciò risolve le ambiguità causate dai cambi di segno degli autovettori e dalle rotazioni della base ortonormale.
• Distanza: La dissimilarità è misurata tramite gli angoli principali ($\theta_i$) tra i sottospazi. La distanza geodetica è $d_{\text{geo}}([U], [V]) = (\sum \theta_i^2)^{1/2}$.
• Classificazione: Viene eseguita un'analisi discriminante ottimizzando i centri di classe (medie di Fréchet sul Grassmanniano) per massimizzare la separazione tra i gruppi e minimizzare la dispersione all'interno dei gruppi, utilizzando un criterio di tipo Fisher adattato al manifold.

2.3 Setup Sperimentale

Il framework è stato validato attraverso cinque dataset:

1. Invecchiamento Sano: Tre coorti ampie (cam-CAN, HCP-Aging, NKI) per la predizione dell'età cerebrale (brain-age).
2. Coorti Cliniche: Due dataset più piccoli (Malattia di Parkinson e Psicosi Non Affettiva) per la classificazione binaria (Controlli Sani vs. Pazienti).

I compiti includevano:

• Test di Ipotesi: Utilizzando il test di permutazione di Biswas–Ghosh su matrici grezze vs. matrici proiettate nello spazio tangente Off–log.
• Regressione: Predizione dell'età cerebrale tramite Elastic Net.
• Classificazione: SVM lineare per la discriminazione della malattia.
• Analisi del Sottospazio: Analisi discriminante Grassmanniana sugli autovettori del Laplaciano del grafo.

3. Contributi Chiave e Risultati

3.1 Test di Ipotesi

• Risultato: Nella coorte con Malattia di Parkinson (PD), la proiezione nello spazio tangente Off–log ha aumentato significativamente la sensibilità. Il test di Biswas–Ghosh ha rifiutato l'ipotesi nulla per i dati proiettati nello spazio tangente ($p=0.01$), ma non per le matrici euclidee grezze ($p=0.37$).
• Risultato: Nella coorte di Psicosi Non Affettiva (NAP), entrambe le rappresentazioni hanno prodotto risultati significativi, suggerendo che l'effetto era abbastanza grande da essere catturato dai metodi euclidei, ma l'approccio geometrico è rimasto più robusto.

3.2 Predizione dell'Età Cerebrale

• Risultato: Le rappresentazioni consapevoli della geometria non hanno compromesso l'accuratezza predittiva.
  • Nella coorte cam-CAN, le correlazioni grezze hanno performato leggermente meglio delle alternative geometriche.
  • In HCP-Aging e NKI, la metrica ECM (Euclidean-Cholesky) ha superato sia le correlazioni grezze che la metrica Off–log.
• Conclusione: Sebbene l'Off–log non abbia dominato universalmente i compiti di regressione, ha fornito un framework principato che ha performato comparabilmente ai baseline allo stato dell'arte senza violare i vincoli di correlazione.

3.3 Classificazione Diagnostica

• Risultato: La rappresentazione tangente Off–log ha costantemente ottenuto le migliori prestazioni di classificazione (Accuratezza, AUC-ROC, Sensibilità, Specificità) in entrambi i dataset clinici rispetto agli input grezzi, ECM e LEC.
  • PD: Accuratezza Off–log = $0.693$ vs. Grezza = $0.461$.
  • NAP: Accuratezza Off–log = $0.701$ vs. Grezza = $0.657$.

3.4 Analisi Discriminante Grassmanniana

• Risultato: Il metodo Grassmanniano ha costantemente superato i baseline euclidei (Analisi Discriminante Lineare), che spesso non sono riusciti a superare il livello del caso.
  • PD: Accuratezza Grassmanniana = $0.693$ vs. Euclidea = $0.543$.
  • NAP: Accuratezza Grassmanniana = $0.692$ vs. Euclidea = $0.463$.
• Interpretabilità: Il metodo ha identificato regioni discriminanti coerenti con le firme note della malattia (ad esempio, reti salienza/limbiche per PD; parietale inferiore/cingolato posteriore per NAP), dimostrando che le caratteristiche basate sui sottospazi sono più stabili e clinicamente informative.

4. Significato e Rivendicazioni

L'articolo sostiene che trattare le matrici di correlazione fMRI e i sottospazi degli autovettori come punti su appropriati manifold offra un approccio matematicamente fondato che migliora le prestazioni dell'apprendimento statistico.

• Sensibilità e Stabilità: Le rappresentazioni consapevoli della geometria migliorano la sensibilità nel rilevare sottili differenze di connettività (come visto nella coorte PD) e forniscono caratteristiche più stabili per la classificazione rimuovendo le ambiguità spettrali.
• Scalabilità: La metrica Off–log consente l'uso di standard workflow di machine learning (modelli lineari, SVM) su dati geometricamente corretti senza il carico computazionale dell'ottimizzazione non euclidea o la necessità di un ordine arbitrario delle regioni.
• Dipendenza dal Task: Gli autori notano con modestia che la "migliore" rappresentazione geometrica dipende dal task. Mentre l'Off–log eccelle nella classificazione e nei test di ipotesi, altre metriche (come ECM) possono essere superiori per specifici compiti di regressione, e le correlazioni grezze rimangono competitive in determinati dataset su larga scala.
• Compromesso Metodologico: L'articolo evidenzia un compromesso tra approcci nello spazio tangente (computazionalmente economici, approssimativi, ma globalmente validi per l'Off–log) e approcci nativi del manifold (più pesanti dal punto di vista computazionale, ma geometricamente fedeli, come usato nell'analisi Grassmanniana). Entrambi si sono dimostrati superiori ai trattamenti euclidei ingenui in contesti specifici.

In definitiva, il lavoro fornisce un toolkit coerente per integrare la geometria riemanniana nei pipeline di neuroimaging, dimostrando che rispettare la struttura sottostante dei dati porta a guadagni misurabili nella qualità dell'inferenza e nelle prestazioni predittive.