Technisch Overzicht: Ontrafelen van Latente Risicopaden via Bayesiaanse Hypergraaf-inferentie

1. Probleemstelling

Elektronische Gezondheids Dossiers (EGD) vormen een complexe uitdaging voor multi-disease modellering, gekenmerkt door twee primaire moeilijkheden:

1. Long-tail Ziekteprevalentie: Terwijl sommige chronische aandoeningen veel voorkomen, zijn de meeste ziekten zeldzaam, wat onvoldoende data biedt voor een stabiele, onafhankelijke schatting.
2. Complexe, Hogere-orde Afhankelijkheden: Ziekten delen risicofactoren niet uniform. Verschillende risicodrijvers (bijv. leeftijd versus roken) organiseren ziekten in afzonderlijke, overlappende en onzekere paden. Bestaande modellen slagen er vaak niet in deze structuur te vangen:
   • Onafhankelijke modellen (bijv. logistische regressie) negeren de gedeelde structuur, wat leidt tot een slechte kalibratie van de onzekerheid voor zeldzame uitkomsten.
   • Black-box multi-task modellen (bijv. neurale netwerken) verstrengelen risicofactoren in één enkele latente ruimte, waardoor specifieke etiologische paden worden vertroebeld en de interpreteerbaarheid beperkt is.
   • Gestructureerde probabilistische modellen aggregeren vaak correlaties over alle factoren in plaats van risicofactor-specifieke organisatie te ontrafelen, of ze hebben moeite om te schalen naar moderne EGD-datasets.

De kernuitdaging is het leren van risicofactor-specifieke, overlappende latente structuren over ziekteuitkomsten, terwijl de onzekerheid expliciet wordt gekwantificeerd, zonder het voorspellende vermogen op te offeren.

2. Methodologie: Bayesiaanse Hypergraaf Pad-inferentie (BHPI)

De auteurs stellen BHPI voor, een framework dat multi-disease modellering herformuleert als de ontdekking van latente, door risicofactoren gemoduleerde ziektepaden met behulp van een Bayesiaanse hypergraaf.

2.1. Modelarchitectuur

• Latente Hypergraaf Representatie: Ziekten zijn knopen ($V$) en paden zijn hyperranden ($E$). In tegenstelling tot standaard grafen waar randen paren verbinden, kunnen hyperranden subsets van ziekten verbinden, wat hogere-orde relaties mogelijk maakt.
• Observatiemodel: Ziekteuitkomsten volgen een multivariate logistische model waarbij de lineaire predictor $\tilde{\eta}_{i,v}$ een ziektespecifieke baseline en risicofactoreffecten bevat.
• Gestructureerde Feature Effecten: In plaats van ziektespecifieke coëfficiënten $\beta_v$ onafhankelijk te schatten, induceert BHPI deze uit hyperrand-niveau effecten ($\mu_{j,e}$):
  $$\beta_{j,v} = d_v^{-1} \sum_{e=1}^E H_{v,e} \mu_{j,e}$$
  waarbij $H_{v,e}$ de incidentiematrix is die aangeeft of ziekte $v$ deel uitmaakt van hyperrand $e$.
• Hiërarchische Sparsity: Het model gebruikt een hiërarchische prior om de hypergraafstructuur te leren:
  • Bestaan: Binaire indicatoren $z_e$ bepalen of een hyperrand bestaat.
  • Lidmaatschap: Voorwaardelijk op bestaan, bepalen binaire indicatoren $m_{v,e}$ de ziekte-lidmaatschap.
  • Feature Selectie: Spike-and-slab priors bepalen welke risicofactoren specifieke hyperranden beïnvloeden.

2.2. De Repulsie-prior

Een cruciale innovatie is de repulsie-prior toegepast op de feature-hyperrand associaties. Deze straft het selecteren van sterk overlappende hyperranden voor dezelfde risicofactor af.

• Doel: Om "latente structuur-instorting" te voorkomen, waarbij meerdere redundante hyperranden dezelfde risicofactor verklaren.
• Mechanisme: Het stimuleert een parsimonieuze, identificeerbare structuur waarbij een enkele risicofactor onderscheidende, niet-redundante paden activeert, terwijl verschillende risicofactoren overlappende groepen ziekten mogen delen.

2.3. Schaalbare Gestructureerde Variational Inference

Posterior inferentie is uitdagend vanwege niet-conforme likelihoods en harde logische restricties (bijv. als een hyperrand niet bestaat, kunnen de leden ervan niet bestaan).

• Polya-Gamma Augmentatie: Gebruikt om de niet-conforme logistische likelihood te behandelen, waardoor deze conditioneel Gaussisch wordt.
• Gestructureerde Variational Familie: Standaard mean-field variational inference (VI) gaat uit van onafhankelijkheid, wat de logische afhankelijkheden verbreekt (bijv. $q(m_{v,e} | z_e)$). De auteurs ontwikkelen een gestructureerd VI-algoritme dat deze conditionele afhankelijkheden expliciet behoudt.
• Repulsie-bewuste Updates: De coordinate ascent updates incorporeren de verwachte overlap tussen hyperranden om de repulsie-prior af te dwingen, wat de ontdekking van een sparse en interpreteerbare latente topologie waarborgt.

3. Belangrijkste Bijdragen

1. Framework: Introductie van een Bayesiaans hypergraaf pad-inferentie framework dat ziektepaden modelleert als latente hyperranden gemoduleerd door specifieke risicofactoren, wat hogere-orde, overlappende structuurontdekking mogelijk maakt.
2. Algoritme: Ontwikkeling van een schaalbaar gestructureerd variational inference algoritme dat logische afhankelijkheden (bestaan $\to$ lidmaatschap $\to$ effect) behoudt en een repulsie-prior incorporeert voor identificeerbaarheid, waarmee de beperkingen van standaard mean-field benaderingen worden overwonnen.
3. Validatie: Uitgebreide evaluatie op gesimuleerde data en de UK Biobank, die stabiele pad-reconstructie, verbeterde schatting voor zeldzame ziekten en gekalibreerde onzekerheid aantoont.

4. Experimentele Resultaten

4.1. Gesimuleerde Data

• Voorspellende Prestaties: BHPI behaalde competitieve AUC-scores (ongeveer 75%) die vergelijkbaar zijn met optimaal getunede logistische regressie en superieur aan tree-gebaseerde en multi-label baselines (bijv. LightGBM, Classifier Chains).
• Structurele Reconstructie: Het model herstelde de grondwaarheid van de latente hypergraafstructuur accuraat (AUC > 96% voor hyperrand-incidentie en risicofactor-associaties).
• Ablatie Studie: Het verwijderen van de repulsie-prior ($\lambda=0$) had geen significante impact op de voorspellende nauwkeurigheid, maar leidde tot redundante, instabiele hyperranden. De prior bleek essentieel voor identificeerbaarheid en interpreteerbaarheid, niet alleen voor voorspelling.

4.2. UK Biobank Toepassing

• Dataset: $N \approx 277.291$ deelnemers, 71 risicofactoren en 66 chronische ziekteuitkomsten (variërend van veelvoorkomend tot extreem zeldzaam).
• Stabiliteit bij Zeldzame Ziekten: BHPI toonde robuuste prestaties voor ziekten met een lage prevalentie, waarbij het baselines overtrof die een hoge variantie en instabiliteit vertoonden in het zeldzame regime.
• Kalibratie: BHPI bereikte uitstekende voorspellende kalibratie (ECE < 0.01), vergelijkbaar met logistische regressie.
• Interpreteerbaarheid:
  • Ontrafeling: Het model slaagde erin uiteenlopende risicopaden te scheiden. Zo werd "Roken" gekoppeld aan onderscheidende paden voor respiratoire ziekten (Emfyseem, Astma) en mucosale schade (Zweren), in plaats van aan een enkel dicht factor.
  • Convergentie: Het ving heterogene ziektecontexten op, zoals "Dementie" die simultaan deelneemt aan vasculaire, geriatrische fragiliteits- en metabole-neurodegeneratieve paden.
  • Parsimonie: Ondanks het initialiseren met 60 kandidaat-hyperranden, concentreerde de posterior zich op een parsimonieuze oplossing (~27 actieve hyperranden), waarbij hoge Posterior Inclusion Probabilities (PIPs) het voorspellende signaal behielden.

5. Betekenis en Claims

Het artikel beweert dat BHPI een centrale epidemiologische vraag beantwoordt: "Via welke gedeelde ziektepaden oefent een gegeven risicofactor zijn effecten uit, en hoe zeker zijn we over die structuur?"

• Voorbij Black Boxes: In tegen tegenstelling tot deep learning benaderingen, biedt BHPI een interpreteerbare, hogere-orde structuur die ontrafelt hoe specifieke risicofactoren ziekterisico organiseren, waarmee het verder gaat dan paarvormige correlaties of verstrengelde latente ruimtes.
• Onzekerheidskwantificatie: Het framework biedt gekalibreerde posterior onzekerheid over zowel de ziektegroeperingen (pad-compositie) als de invloed van risicofactoren, wat cruciaal is voor zeldzame ziekten waar data schaars is.
• Schaalbaarheid: Het gestructureerde VI-algoritme stelt het model in staat om te schalen naar biobank-omvang datasets (honderdduizenden monsters) terwijl het een lineaire computationele complexiteit behoudt ten opzichte van samples en dimensies.
• Klinische Nut: Door onderscheidende, risicofactor-specifieke paden te onthullen (bijv. het scheiden van de metabole versus de toxische effecten van alcohol), biedt het model inzichten in etiologische mechanismen die door standaard multi-task learning of onafhankelijke modellering worden verduisterd.

De auteurs concluderen dat BHPI een principiële benadering biedt voor multi-disease modellering die een balans vindt tussen statistische efficiëntie en gestructureerde inductieve bias, wat de ontdekking van interpreteerbare latente structuren in grootschalige EGD-data mogelijk maakt.