Latent-Space Causal Discovery from Indirect Neuroimaging Observations

Dit artikel introduceert INCAMA, een fysisch bewust kader dat latentruimte-inversie combineert met een vertraging-bewuste Mamba-encoder om gerichte neurale causale structuren te herstellen uit vervormde neurobeeldvormingssignalen, waarbij het superieure prestaties ten opzichte van basismodellen demonstreert in zowel simulaties als real-world fMRI-data.

De kern

Het Grote Probleem: Het "Modderige Raam"

Stel je voor dat je probeert uit te zoeken wie met wie praat in een drukke zaal, maar je kunt de mensen niet zien. Je hoort alleen het geluid dat door een dik, mistig en vervormd raam komt.

• De Mensen: Dit zijn de neuronen in je hersenen.
• Het Praten: Dit is de "causale invloed" (één hersengebied vertelt een ander wat het moet doen).
• Het Raam: Dit is de hersenscanner (fMRI of EEG).

Het probleem is dat het raam het geluid vervormt.

• fMRI (Het Traag, Wazige Raam): De scanner hoort de neuronen niet direct. Het hoort de bloedstroomrespons, wat lijkt op een langzaam echo-effect dat de timing vervaagt. Als Persoon A spreekt, denkt de scanner misschien dat Persoon B eerst sprak, omdat het echo-effect vertraagd is.
• EEG (Het Verwarde Raam): De scanner zit op het hoofd, dus het geluid van verschillende mensen mengt zich voordat het de microfoon bereikt. Het is alsof je een koor hoort waarbij je niet kunt onderscheiden welke zanger wie is.

Vanwege deze vervorming kun je, als je alleen naar de ruwe data kijkt, denken dat twee hersengebieden met elkaar verbonden zijn terwijl dat niet zo is, of je kunt een verbinding missen die wel bestaat.

De Oplossing: INCAMA (De "Slimme Vertaler")

De auteurs stellen een nieuwe methode voor genaamd INCAMA. Denk hierbij aan een twee-stapsvertaler die het signaal opklaart voordat hij probeert het gesprek te ontcijferen.

Stap 1: De "Fysiek-bewuste" Reiniger (Inversie)

Voordat er gezocht wordt naar verbindingen, probeert INCAMA eerst de vervorming van het raam "ongedaan" te maken.

• Voor fMRI: Het fungeert als een gespecialiseerd ontvazigingsgereedschap. Het weet precies hoe bloedstroom hersensignalen vertraagt (de HRF) en keert die wazigheid wiskundig om om te raden hoe de oorspronkelijke neurale "vonk" eruit zag.
• Voor EEG: Het fungeert als een geluidsmixer die weet hoe de schedel signalen mengt. Het probeert het verwarde koor weer te scheiden in individuele zangers.

Cruciaal punt: Het paper stelt dat deze stap "fysiek-bewust" is. Het raadt niet zomaar; het gebruikt de bekende natuurwetten (hoe bloed stroomt, hoe elektriciteit door de schedel reist) om het reinigingsproces te sturen.

Stap 2: De "Detective" (Latente Causale Ontdekking)

Zodra de signalen zijn opgehelderd (teruggebracht naar hun "latente" of verborgen staat), treedt het tweede deel van INCAMA op als een detective.

• De aanwijzing: De detective zoekt naar veranderingen. Het paper stelt dat als de regels van het gesprek licht veranderen in de tijd (niet-stationariteit) – bijvoorbeeld als het volume op een specifiek patroon omhoog of omlaag gaat – je kunt uitmaken wie het gesprek leidt.
• Het hulpmiddel: Het maakt gebruik van een moderne AI-architectuur genaamd Mamba (een type "Selective State Space Model"). Stel je Mamba voor als een super-efficiënte bibliothecaris die een zeer dik boek kan lezen (uren aan hersendata) en de belangrijkste details onthoudt zonder overweldigd te raken. Het zoekt naar patronen waarbij de activiteit van één hersengebied die van een ander voorspelt, met name gericht op vertragingen (bijvoorbeeld: Gebied A verandert, en 2 seconden later verandert Gebied B).

De Theorie: Waarom Het Werkt (Het "Veiligheidsnet")

De auteurs hebben niet zomaar een tool gebouwd; ze schreven een wiskundig bewijs om uit te leggen wanneer het werkt.

• De Garantie: Ze bewezen dat als je het signaal goed genoeg kunt opklaren (Stap 1), en als de activiteit van de hersenen verandert op een manier die aanwijzingen biedt (Stap 2), je wiskundig kunt garanderen dat je de ware verbindingen kunt vinden.
• De Foutgrens: Ze bewezen ook dat als je reinigingsstap niet perfect is (wat nooit het geval is), het eindantwoord geen totale ramp zal zijn. De fout in het eindantwoord staat direct in verhouding tot hoe slecht de reiniging was. Het is een "graceful degradation" – als het raam een beetje modderig is, is het antwoord een beetje wazig, maar het stort niet in.

De Experimenten: Werkt Het?

De auteurs testten dit op twee manieren:

1. De "Virtuele Hersenen" (Simulaties):

   • Ze creëerden een nepbrein op een computer waar ze de exacte waarheid kenden (wie met wie praatte).
   • Ze draaiden de simulatie door het "modderige raam" (met realistische fMRI- en EEG-vervormingen).
   • Resultaat: INCAMA vond de verbindingen 2 tot 3 keer beter dan bestaande methoden. Het was veel accurater in het achterhalen van de ware kaart van de hersenen.

2. De "Real World" Check (HCP-data):

   • Ze namen echte data van het Human Connectome Project (mensen die een motorische taak uitvoerden, zoals het bewegen van hun handen).
   • Ze hebben het model niet opnieuw getraind op deze echte data (Zero-shot). Ze gebruikten gewoon het model dat was getraind op het nepbrein.
   • Resultaat: Het model vond verbindingen die biologisch zinvol waren. Bijvoorbeeld: het identificeerde correct dat de visuele cortex (zien) verbonden is met de motorische cortex (bewegen) tijdens een handbewegingstest. Het vond geen willekeurige ruis; het vond de "snelwegen" van de hersenen die wetenschappers al weten dat ze bestaan.

Samenvatting van Claims

• Wat ze bouwden: Een systeem dat eerst vervormde hersenscandata opklaart met behulp van natuurkunde, en vervolgens AI gebruikt om de richting van invloed tussen hersengebieden te vinden.
• Wat ze bewezen: Wiskundig werkt dit als de reiniging goed is en de hersenactiviteit in de tijd verandert.
• Wat ze lieten zien: Het werkt beter dan huidige methoden op gesimuleerde data en vindt biologisch zinvolle patronen in echte menselijke data zonder dat het opnieuw getraind hoeft te worden.

Wat ze NIET claimen:

• Ze claimen niet dat dit klaar is voor het diagnosticeren van individuele patiënten.
• Ze claimen niet dat ze de "absolute waarheid" van het menselijk brein hebben gevonden (aangezien de echte menselijke grondwaarheid onmogelijk te kennen is).
• Ze claimen niet dat het werkt voor subcorticale (diepe hersen) structuren, alleen voor de buitenste cortex (de "huid" van de hersenen).

Kortom, INCAMA is een nieuwe manier om door het "modderige raam" van hersenscans te kijken, het beeld op te klaren met behulp van natuurkunde, en vervolgens slimme AI te gebruiken om in kaart te brengen wie met wie praat in de hersenen.

Technische samenvatting

Technische Samenvatting: Latentruimtelijke Causale Ontdekking uit Indirecte Neurobeeldvormingsobservaties

Probleemstelling

Neurobeeldvormingsmodaliteiten zoals EEG en fMRI observeren neurale causale variabelen niet direct. In plaats daarvan vangen ze indirecte signalen op die vervormd zijn door modaliteitsspecifieke voorwaartse operatoren: EEG-signalen worden ruimtelijk gemengd via volumgeleiding (leadfield), terwijl fMRI-signalen tijdelijk vervaagd worden door de hemodynamische responsfunctie (HRF). Bijgevolg weerspiegelen statistische afhankelijkheden die in sensor- of voxelruimte worden waargenomen, niet noodzakelijk de onderliggende latente neurale causale invloed. Bestaande methoden staan voor een afweging: Dynamisch Causaal Modelleren (DCM) integreert biofysische realiteit maar mist schaalbaarheid, terwijl methoden in observatieruimte (bijv. Granger Causaliteit, VAR) goed schalen maar gevoelig blijven voor menging en hemodynamische filtering, vaak falend in het herstel van de ware gerichte structuur.

De kernvraag die wordt aangepakt is: Onder welke aannamen kan een vertraagd gericht graaf van latente neurale activiteit worden geïdentificeerd uit indirecte, door de fysica vervormde observaties, en hoe kan dit op schaal worden bereikt?

Methodologie: INCAMA

De auteurs stellen INCAMA (INdirect CAusal MAmba) voor, een end-to-end raamwerk dat fysica-bewuste inversie koppelt aan causale ontdekking in de latentruimte. De architectuur volgt een tweestapsproces:

1. Stap 1: Fysica-bewuste Inversie
   Het model leert een geregulariseerde inverse mapping $g_\theta$ om latente neurale trajecten $\hat{z}_{1:T}$ te herstellen uit observaties $x_{1:T}$. Cruciaal is dat deze stap wordt beperkt door de bekende voorwaartse fysica $H_\psi$:

   • Voor EEG: Het model leert de leadfield-menging te inverteren ($x_t \approx L_\psi z_t$), wat effectief bronlocalisatie uitvoert (geïnspireerd door DeepSIF) om ruimtelijke bronnen te ontmengen.
   • Voor fMRI: Het model schat gelijktijdig latente neurale activiteit en regio-specifieke HRF-parameters om het BOLD-signaal te deconvolueren ($x_t \approx H_\psi * z_t$), waardoor hemodynamische verwarring wordt verminderd.
     De inversie wordt getraind om ervoor te zorgen dat de gereconstrueerde trajecten fysisch betekenisvolle neurale signalen zijn, en geen generieke embedding.

2. Stap 2: Causale Ontdekking in de Latentruimte
   Zodra de latente trajecten zijn hersteld, maakt het model gebruik van een Mamba-ruggengraat (Selectief Ruimtetijdmomentenmodel) om vertraagde causale ontdekking uit te voeren.

   • Mechanisme: Het maakt gebruik van niet-stationariteit (tijdsvariërende koppelingssterktes) als informatieve variatie om causale richtingen te identificeren, een concept dat is verankerd in de theorie van onafhankelijke causale mechanismen (ICM).
   • Architectuur: Een gedeelde Mamba-encoder verwerkt ROI-tijdreeksen. Gerichte interacties worden gemodelleerd via meervoudig-vertraagde gelijneerde kernen (kort, midden, lang vertraagd) om transmissievertragingen te vangen.
   • Versparring: Een top-$k$ selectiemechanisme dwingt biologische versparring af, waarbij de sterkste randen worden behouden om de uiteindelijke gerichte graaf $\hat{G}$ te vormen.

De volledige pijplijn wordt end-to-end getraind op biofysische simulaties (The Virtual Brain, TVB), waardoor het causale doel de inversiestap kan vormgeven om representaties te produceren die optimaal zijn voor graafidentificeerbaarheid.

Theoretische Bijdragen

Het artikel formaliseert de voorwaarden waaronder causale ontdekking mogelijk is uit indirecte observaties:

• Conditionele Identificeerbaarheid: De auteurs bewijzen dat als de latente trajecten consistent kunnen worden hersteld uit indirecte observaties (Aanname 4.4) en de latente dynamiek niet-stationaire mechanismverschuivingen vertoont (Aanname 4.3), de vertraagde graaf $G$ identificeerbaar is vanuit de observatieverdeling $P(x_{1:T})$. Dit is een reductie van latentruimtelijke identificeerbaarheid (Huang et al., 2019) naar de setting van indirecte observaties.
• Foutpropagatiegrens: Een belangrijk theoretisch resultaat (Propositie 4.7) stelt dat de fout in graafherstel begrensd is door de inversiefout. Specifiek: als de inversieprocedure consistent is, is de end-to-end schatter consistent. Dit biedt een theoretische garantie dat begrenste fouten in het reconstrueren van latente toestanden leiden tot begrenste fouten in de geschatte causale graaf.

Experimentele Resultaten

De evaluatie maakt gebruik van gecontroleerde simulaties met bekende grondwaarheid en een zero-shot overdracht naar echte menselijke data.

• Gesimuleerde Data (TVB):

  • EEG: INCAMA presteert significant beter dan baselines (MNE/sLORETA + Granger/VAR, DeepSIF + TCN/GNN) in het herstellen van gerichte structuur. Het bereikt een F1-score van 0,643 vergeleken met ~0,16–0,21 voor baselines, wat aantoont dat gezamenlijke fysica-bewuste inversie cruciaal is om volumgeleiding te overwinnen.
  • fMRI: INCAMA bereikt een F1-score van 0,610, aanzienlijk hoger dan rDCM (0,258) en op deconvolutie gebaseerde lineaire methoden. Het toont ook superieure computerefficiëntie, met een werking van ~5 GFLOPs vergeleken met ~100 GFLOPs voor rDCM.
  • Robuustheid: Het model vertoont een genadevolle degradatie onder fysica-mispecificatie (bijv. ±20% HRF-schaling of leadfield-ruis), waarbij de F1-score respectievelijk met minder dan 0,002 of 5,1% daalt, wat bevestigt dat het een overdraagbare causale structuur leert in plaats van de simulatorfysica uit het hoofd te leren.

• Echte Data (HCP Motor Taak):

  • Zero-shot toegepast op 1.079 proefpersonen uit het Human Connectome Project (HCP), produceert INCAMA verspreide gerichte schattingen die geconcentreerd zijn in canonieke visuo-motorische paden (bijv. V1→V2, PM→M1).
  • Hoewel de absolute precisie laag is (0,022) vanwege de enorme zoekruimte en niet-gemodelleerde subcorticale drijvers, bereikt het model een hoge recall (0,610) voor canonieke randen, wat significant beter presteert dan baselines in observatieruimte (FIR + Granger: F1 ~0,005). Dit suggereert dat de geleerde scores taakrelevante anatomische consistentie vangen.

Betekenis en Claims

Het artikel positioneert INCAMA als een schaalbare route naar inferentie van gerichte connectiviteit van het hele brein door meetvervorming expliciet te modelleren in plaats van het als ruis te behandelen.

• Kernclaim: Het werk toont aan dat niet-stationariteit kan dienen als een identificerend signaal voor causale richting, zelfs in aanwezigheid van ernstige indirecte observatievervormingen, mits de inversie fysica-bewust is.
• Beperkingen: De auteurs stellen expliciet dat de herstelde graaf effectieve corticale connectiviteit voorstelt die is geconditioneerd op subcorticale invloeden (aangezien subcorticale structuren zijn uitgesloten van de 68-ROI-atlas). De validatie op echte data is indirect (gebaseerd op anatomische/taaknetwerk-consistentie) omdat grondwaarheid causale connectiviteit bij mensen niet beschikbaar is.
• Impact: Het raamwerk overbrugt de kloof tussen biofysische realiteit en schaalbaarheid, en biedt een methode die theoretisch is verankerd in identificeerbaarheidsvoorwaarden en empirisch robuust is voor de specifieke vervormingen van EEG en fMRI.