Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages

Sintesi Tecnica: I Modelli Fondazione EEG del Sonno Rivelano la Microstruttura Intra-Stadio

Problema
La medicina del sonno tradizionale comprime la complessa polisonnografia (PSG) in una tassonomia grossolana a cinque stadi (Veglia, N1, N2, N3, REM) basata su criteri definiti dall'uomo. Sebbene clinicamente utile, questa "interfaccia a cinque stadi" è intenzionalmente decompressa, oscurando la fisiologia individuale, le dinamiche legate all'età e gli eventi intra-stadio di durata più breve. I sistemi di scoring automatizzati esistenti riproducono ampiamente queste etichette umane, fallendo nel catturare la struttura fisiologica latente. La domanda centrale affrontata è se i modelli fondazione di apprendimento auto-supervisionato (SSL) possano apprendere rappresentazioni del sonno che vadano oltre questo scaffold grossolano, codificando informazioni sulla salute arricchite attraverso una microstruttura intra-stadio più fine.

Metodologia
Gli autori hanno addestrato Sleep2.0, un modello fondazione transformer di tipo HuBERT, su 11.261 registrazioni PSG notturne provenienti da sette dataset pubblici (MESA, MrOS, SHHS, WSC, SOF, CFS, NCHSDB). Il modello è stato pre-addestrato tramite SSL su dati non etichettati attraverso un obiettivo di predizione di pseudo-label mascherate in due fasi, apprendendo rappresentazioni contestuali senza etichette di stadio esplicite.

Per isolare rigorosamente la fonte dei guadagni predittivi, lo studio ha impiegato un design sperimentale strettamente controllato confrontando tre architetture:

1. Pre-addestrato SSL (Sleep2.0): Addestrato su dati non etichettati.
2. Supervisionato a Cinque Stadi Pre-addestrato: Un'architettura identica pre-addestrata per predire le etichette standard dei cinque stadi.
3. Dallo Zero (From-Scratch): La stessa architettura addestrata da un'inizializzazione casuale su task downstream senza pre-addestramento.

La valutazione downstream si è concentrata sulle rappresentazioni solo EEG (derivazione centrale C3/C4) per allinearsi al monitoraggio scalabile e domestico. Questi modelli sono stati perfezionati (fine-tuning) sul dataset APPLES ($n=1.044$ partecipanti non inclusi nel training) per predire metriche diagnostiche (AHI, stadiazione del sonno), dati demografici (età, sesso, BMI) e outcome funzionali (umore, cognizione).

Le principali fasi analitiche hanno incluso:

• Controlli Annidati: Confronto tra i punteggi SSL rispetto a covariate, riassunti degli stadi (ground-truth), riassunti spettrali e il modello pre-addestrato a cinque stadi corrispondente, per testare il valore incrementale.
• Quantificazione della Microstruttura: Utilizzo di sweep del Criterio di Informazione Bayesiana (BIC) sulle embedding intra-notte per determinare il numero ottimale di microstati ($k$) e mapparli agli stadi canonici ("mappatura Rosetta").
• Framework dei Meta-Stati: Clustering dei microstati specifici per soggetto in un vocabolario condiviso tra i soggetti ($M=7$ meta-stati) per quantificare l'eterogeneità intra-stadio.
• Ancoraggio Fisiologico: Analisi della potenza spettrale (bassa frequenza, theta, sigma), densità dei fusi (spindles) e morfologia delle oscillazioni lente all'interno dei microstati derivati.

Risultati Chiave

• Performance Predittiva: Il pre-addestramento SSL ha superato significativamente l'addestramento dallo zero in molteplici outcome (stadiazione, AHI, BMI, età, sesso, BDI, QI). Rispetto al baseline supervisionato a cinque stadi, l'SSL ha mostrato vantaggi significativi per la predizione di BMI e età nelle analisi solo EEG. Le differenze per AHI, sesso e outcome funzionali sono state minori, nominali o non affidabili dopo la correzione del False Discovery Rate (FDR).
• Valore Incrementale: Nei modelli di regressione annidati controllando per variabili demografiche, riassunti di stadio e caratteristiche spettrali, i punteggi derivati dall'SSL hanno mantenuto un valore predittivo incrementale significativo per età, BMI e AHI. Il modello pre-addestrato a cinque stadi mostrava associazioni più deboli con questi residui, in particolare per età e BMI.
• Scoperta della Microstruttura:
  • Geometria: Le embedding SSL hanno recuperato autonomamente la geometria globale dello scaffold a cinque stadi senza etichette, ma hanno supportato un numero significativamente più alto di microstati (mediana $k \approx 11$) rispetto al baseline a cinque stadi ($k=5$).
  • Localizzazione: La risoluzione aggiuntiva non era uniforme; ha suddiviso preferenzialmente gli stadi N2 e Veglia, che sono noti per comprendere una fisiologia eterogenea. L'N2 è stato trovato suddiviso in circa 5 microstati per registrazione.
  • Associazione Fenotipica: All'interno dell'N2, diversi microstati hanno mostrato associazioni opposte con i fenotipi. Ad esempio, un meta-stato dominante dell'N2 era positivamente associato all'AHI, mentre altri erano negativamente associati. Ciò suggerisce che collassare la fisiologia eterogenea dell'N2 in un'unica etichetta attenua o annulla i segnali rilevanti per la salute.
  • Interpretabilità Fisiologica: I microstati N2 derivati erano fisiologicamente distinti, differendo per potenza in bassa frequenza/theta, potenza sigma, densità dei fusi e morfologia delle oscillazioni lente. Ad esempio, un microstato specifico dell'N2 associato a un AHI più elevato mostrava una minore densità di fusi e una morfologia delle oscillazioni lente più forte.
• Utilità di Screening: I punteggi derivati dall'SSL hanno dimostrato una discriminazione da moderata a forte per la gravità dell'apnea (AUROC 0.762 per AHI $\ge$ 15) e l'obesità (AUROC 0.720 per BMI $\ge$ 30), con calibrazione stabile e utilità decisionale positiva.

Significatività e Rivendicazioni
Il paper sostiene che i modelli fondazione auto-supervisionati non si limitano a riorganizzare l'architettura del sonno stabilita, ma scoprono una microstruttura ad alta risoluzione ancorata agli stadi che trasporta informazioni sulla salute misurabili, perse nella stadiazione convenzionale.

• Meccanismo del Guadagno: I miglioramenti sono attribuiti alla capacità del modello di preservare e organizzare l'eterogeneità intra-stadio (particolarmente in N2) che viene collassata dall'interfaccia a cinque stadi. Ciò consente la rilevazione di segnali relativi ad età, BMI e apnea che sono oscurati quando tutti gli epoche N2 sono trattati come una singola classe.
• Traduzione Clinica: Gli autori posizionano queste rappresentazioni solo-EEG come riassunti compatti e riutilizzabili per lo screening, il triage e la scoperta di biomarcatori, piuttosto che come sostituti degli standard diagnostici. Sostengono che questi modelli possano servire come una via scalabile per la valutazione continua della salute, fornendo proxy della "età cerebrale" e strumenti di stratificazione del rischio che si allineano ai concetti clinici familiari pur offrendo una risoluzione maggiore.
• Modestia: Gli autori dichiarano esplicitamente che i microstati e i meta-stati sono "riassunti operativi" della struttura rappresentativa, non una tassonomia ontologica fissa. Riconoscono i limiti, tra cui la necessità di validazione prospettica, l'uso di EEG centrale invece di montaggi frontali consumer, e il fatto che la rilevazione degli eventi respiratori rimane lo standard diagnostico per l'apnea. Lo studio sottolinea che il valore risiede nell'aggiungere riassunti a bassa dimensionalità ancorati agli stadi ai framework esistenti, non nello scartarli.