📊 statistics

From Persistence to Survival: Hypothesis Testing, Effect Sizes and Vectorisation for Topological Features

Het artikel introduceert STRAND, een nieuw raamwerk dat persistentiediagrammen behandelt als overlevingsdata om tegelijkertijd een statistisch rigoureuze niet-parametrische hypothesetest, interpreteerbare effectgroottes en een stabiele featurevector voor machine learning te bieden, die allemaal afgeleid zijn van een enkele coherente representatie.

Oorspronkelijke auteurs: Juliette Murris, Bernadette Stolz, Karsten Borgwardt

Gepubliceerd 2026-06-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Juliette Murris, Bernadette Stolz, Karsten Borgwardt

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zak met knikkers hebt. Sommige zijn groot, sommige zijn klein, sommige zijn rood, sommige zijn blauw. In de wereld van Topologische Data-Analyse (TDA) gebruiken wetenschappers een hulpmiddel genaamd "Persistent Homology" om de vormen van data (zoals een wolk van punten of een netwerk van verbindingen) te bekijken en deze om te zetten in deze "zakken met knikkers".

Elke knikker vertegenwoordigt een kenmerk van de vorm:

Een verbonden stip (zoals een eiland).
Een lus (zoals een ring of een gat in een donut).
Een leegte (zoals de lege ruimte binnenin een bubbel).

Voor elk kenmerk legt het hulpmiddel twee getallen vast: Geboorte (wanneer het voor het eerst verschijnt terwijl je inzoomt) en Dood (wanneer het verdwijnt). Het verschil tussen deze twee getallen wordt Persistentie genoemd. Een kenmerk dat lang voortduurt, is een "sterk" signaal (zoals een echt gat in een donut). Een kenmerk dat verschijnt en direct weer verdwijnt, is meestal gewoon "ruis" (zoals een stofje).

Het Probleem: Twee Afzonderlijke Toolkits

Tot nu toe hadden wetenschappers een probleem met een gespleten persoonlijkheid bij het werken met deze zakken met knikkers:

De Statistici wilden vragen: "Zijn de knikkers van Groep A anders dan die van Groep B?" Ze hadden tests om dit te beantwoorden, maar ze konden je niet vertellen hoeveel ze verschillen, of welke specifieke knikkers de boosdoeners waren.
De Machine Learning Engineers wilden deze zakken met knikkers in een computer voeren om voorspellingen te doen (zoals "Is dit eiwit een medicijn?"). Ze hadden hulpmiddelen nodig om de zak met knikkers om te zetten in een vaste lijst met getallen (een vector). Maar de tools die zij gebruikten, hielpen niet bij de statistische vragen.

Het was alsof je één tool had om de hoogte van een boom te meten en een totaal andere tool om diens leeftijd te raden, zonder enige manier om ze met elkaar te verbinden.

De Oplossing: STRAND (Survival Topological Representation ANalysis of Diagrams)

De auteurs introduceren STRAND, een nieuwe methode die deze topologische kenmerken behandelt als patiënten in een medische overlevingsstudie.

De Creatieve Analogie: Het "Kenmerkenziekenhuis"

Stel je voor dat elk topologisch kenmerk (elke knikker) een patiënt is die het ziekenhuis binnenkomt.

Geboortetijd: Het moment waarop de patiënt wordt opgenomen.
Doodstijd: Het moment waarop de patiënt het ziekenhuis verlaat (of overlijdt).
Persistentie: De totale tijd die de patiënt in het ziekenhuis heeft doorgebracht.

STRAND stelt een eenvoudige vraag: "Hoe lang blijven de patiënten uit Groep A in het ziekenhuis vergeleken met Groep B?"

In plaats van alleen knikkers te tellen, bouwt STRAND een Overlevingscurve. Dit is een grafiek die antwoord geeft op de vraag: "Welk percentage van de kenmerken is nog steeds 'in leven' (persisteert) na tijd $t$ ?"

Wat STRAND Doet (De Drie Superkrachten)

1. De "Eerlijke Rechter" (Hypothesetesten)
STRAND gebruikt een klassieke medische test genaamd de Log-Rank Test (meestal gebruikt om de overlevingspercentages van medicijnen te vergelijken) om de twee groepen te vergelijken.

Het Resultaat: Het geeft een duidelijk "Ja/Nee"-antwoord: "Zijn deze twee groepen vormen statistisch verschillend?"
De Bonus: In tegenstelling tot oudere methoden werkt het zelfs als je slechts een heel klein aantal monsters hebt (zoals slechts twee diagrammen).

2. De "Detective" (Interpreteerbare Effectgroottes)
Oude methoden gaven alleen een "p-waarde" (een getal dat zegt dat het verschillend is). STRAND geeft je het verhaal achter het verschil.

Het geeft de Hazard Ratio (risicoverhouding): "Kenmerken in Groep B sterven 15% sneller dan in Groep A."
Het geeft het Mediaan Verschil: "Het gemiddelde kenmerk in Groep A duurt 3 seconden langer."
Het laat precies zien waar op de tijdlijn de groepen uit elkaar lopen. Je kunt zien of het verschil optreedt bij de "kortstondige" kenmerken (ruis) of de "langdurige" kenmerken (echte structuur).

3. De "Vertaler" (Vectorisatie voor AI)
Om computers hiermee te laten leren, zet STRAND die overlevingscurve om in een vaste lijst met getallen (een vector).

De Magie: Deze lijst met getallen is afgeleid van dezelfde exacte curve die werd gebruikt voor de statistische test.
Het Voordeel: De kenmerken die de computer gebruikt om een voorspelling te doen, zijn dezelfde kenmerken die de statisticus op significantie heeft getest. Er is geen breuk tussen beide.
Efficiëntie: Het creëert een zeer korte lijst met getallen (bijv. 50 getallen) vergeleken met andere methoden die er misschien duizenden kunnen maken, wat het veel sneller maakt voor computers om te verwerken.

Real-World Checks (Wat het Papier Daadwerkelijk Vond)

De auteurs hebben STRAND op drie manieren getest:

Synthetische Vormen: Ze creëerden nepdata (zoals 4D-donuts en sferen) met bekende vormen en voegden ruis toe. STRAND identificeerde de verschillen correct en controleerde voor valse alarmen.
Classificatie Benchmarks: Ze testten STRAND op 14 verschillende datasets (moleculen, sociale netwerken, 3D-vormen). STRAND presteerde net zo goed als de beste bestaande methoden bij het classificeren van deze vormen, maar met veel minder data en snellere berekeningen.
Hersenconnectiviteit (Autisme Studie): Ze pasten STRAND toe op hersenscan-data waarbij kinderen en volwassenen werden vergeleken.
- Bevinding: Ze ontdekten dat de "lussen" (H1-kenmerken) in de hersennetwerken van kinderen een andere "overlevingstijd" hadden dan die van volwassenen.
- Inzicht: STRAND zei niet alleen "ze zijn verschillend"; het kwantificeerde dat de lussen in de hersenen van kinderen sneller "stierven" (verdwijnden) dan in die van volwassenen, wat een meetbaar biologisch verschil opleverde.

Samenvatting

STRAND overbrugt de kloof tussen het stellen van een vraag ("Zijn deze vormen verschillend?") en het beantwoorden ervan met een voorspelling ("Hier is een getal om in een AI te voeren"). Het doet dit door datavormen te bekijken door de lens van overlevingsanalyse, waarbij abstracte topologische kenmerken worden omgezet in een verhaal over hoe lang ze duren, waardoor wetenschappers kunnen meten, vergelijken en voorspellen met één enkel, samenhangend hulpmiddel.

Technische Samenvatting: Van Persistentie naar Overleving (STRAND)

Probleemstelling

Topologische Data-Analyse (TDA) maakt gebruik van persistente homologie om vormgebaseerde beschrijvers uit data te extraheren, wat resulteert in persistente diagrammen (PD's). Hoewel PD's effectief topologische kenmerken (verbonden componenten, lussen, holtes) over verschillende schalen vastleggen, presenteren ze twee belangrijke uitdagingen voor praktijkgebruikers:

Gebrek aan Bevestigende Statistiek: Bestaande methoden voor het vergelijken van PD's zijn grotendeels beschrijvend. Er is een tekort aan principiële hypothese-testen die topologische verschillen tussen groepen kunnen bevestigen met een gekalibreerde Type I-fout en een hoge statistische power, met name wanneer de steekproefomvang (aantal diagrammen) klein is.
Incompatibiliteit met Machine Learning: PD's zijn multisets met variërende cardinaliteit, waardoor ze incompatibel zijn met standaard machine learning-algoritmen die vaste dimensionale vector-inputs vereisen.
Verbonden Toolkits ontbreken: Huidige oplossingen pakken deze problemen afzonderlijk aan. Vectorisatie-methoden (bijv. Persistence Images, Landscapes) maken classificatie mogelijk maar missen statistische inferentiecapaciteiten. Omgekeerd leveren hypothese-testen (bijv. permutatietesten op Wasserstein-afstanden) p-waarden op, maar falen in het bieden van interpreteerbare effectgroottes, lokalisatie van verschillen of een verenigde representatie voor downstream voorspelling. Dit dwingt praktijkgebruikers om aparte tools te gebruiken voor inferentie en voorspelling, waardoor de interpretatieve link tussen significante kenmerken en voorspellende kenmerken wordt doorbroken.

Methodologie: STRAND

De auteurs introduceren STRAND (Survival Topological Representation ANalysis of Diagrams), een framework dat hypothese-testen en vectorisatie verenigt door persistente diagrammen te mappen naar overlevingsdata.

Kernconcept: Persistentie als Overleving

STRAND behandelt de persistentiewaarde $p = d - b$ van elk topologisch kenmerk (waarbij $b$ geboorte en $d$ dood is) als een volledig geobserveerde "tijd-tot-gebeurtenis".

De Persistente Overlevingsfunctie: Het centrale object wordt gedefinieerd als $S(t) = P(p > t)$ , de waarschijnlijkheid dat een willekeurig gekozen kenmerk langer persisteert dan filtratieschaal $t$ .
Schatting: Voor een collectie diagrammen gebruikt STRAND de Kaplan-Meier-schatter om de empirische overlevingsfunctie $\hat{S}(t)$ te berekenen en de Nelson-Aalen-schatter voor de cumulatieve hazard. Het accommodeert de "delayed-entry" structuur van PD's (kenmerken zijn alleen observeerbaar tussen geboorte en dood) via links-truncatie.

Belangrijkste Componenten

Hypothese-testen (Sectie 3.2):
- STRAND vergelijkt twee groepen PD's door de nulhypothese $H_0: S_A(t) = S_B(t)$ te testen tegen de alternatieve hypothese dat ze verschillen voor een bepaalde $t$ .
- Het maakt gebruik van de log-rank test, een niet-parametrische statistiek die geobserveerde versus verwachte gebeurtenissen onder de nulhypothese vergelijkt.
- Effectgroottes: In tegen tegenstelling tot methoden die slechts p-waarden opleveren, biedt STRAND interpreteerbare effectgroottes, inclusief hazard ratios (onder aannames van proportionele hazards) en mediane persistentieverschillen ( $\Delta_{med}$ ), samen met bootstrap-betrouwbaarheidsintervallen. Het lokaliseert ook verschillen over de persistentie-as met behulp van Kaplan-Meier-curves.
Vectorisatie (Sectie 3.3):
- Dezelfde overlevingsfunctie $\hat{S}(t)$ die wordt gebruikt voor de test, wordt gediscretiseerd op een vast rooster om een fixed-dimensional feature vector te produceren.
- Stabiliteit: De resulterende vector wordt bewezen 1-Wasserstein-stabiel te zijn. Stelling 3.1 stelt vast dat de afstand tussen STRAND-vectoren begrensd wordt door de 1-Wasserstein afstand tussen de input-diagrammen, wat zorgt voor robuustheid tegen ruis en kleine perturbaties.
- Efficiëntie: De methode produceert laag-dimensionale vectoren (bijv. 50–100 features) vergeleken met hoog-dimensionale alternatieven zoals Persistence Images, wat de computationele kosten voor downstream classifiers verlaagt.

Belangrijkste Resultaten

1. Statistische Validatie (Synthetische Manifolds)

Type I-foutcontrole: Experimenten op synthetische manifolds (4D torus, Klein bottle, 3D sphere) met gecontroleerde ruis tonen aan dat STRAND gekalibreerde Type I-foutpercentages handhaaft die consistent zijn met de nominale $\alpha = 0,05$ , zelfs in aanwezigheid van binnen-diagram correlaties (elder rule).
Statistische Power: STRAND demonstreert een hoge power bij zeer kleine steekproefomvang. Op 4D torus-data bereikt het een power van >90% met slechts twee diagrammen per groep door gebruik te maken van de overvloed aan topologische kenmerken binnen elk diagram.
Signaaldetectie: De methode onderscheidt succesvol signaal (manifold) van ruis-kenmerken, waarbij de log-rank p-waarden consistent onder 0,05 liggen over verschillende signaal-waarschijnlijkheidsregimes.

2. Classificatie Benchmarks

Prestaties: STRAND werd geëvalueerd op 14 datasets (10 grafendatasets van TU Dortmund en 4 3D puntenwolken-datasets).
- Op grafendatasets behaalde STRAND een concurrerende nauwkeurigheid (gemiddeld 61,5%), vergelijkbaar met state-of-the-art vectorisaties zoals Persistence Images (PI) en Sliced Wasserstein Kernel (SWK).
- Op 3D puntenwolken-datasets behaalde STRAND de hoogste gemiddelde nauwkeurigheid (79,5%), waarmee het PI (76,7%) en andere baselines versloeg, met significante marges op complexe multi-class datasets.
Computationele Efficiëntie: STRAND biedt een enorme reductie in feature dimensionaliteit (30–85 $\times$ lager dan Persistence Images) en computationele tijd. Voor grote datasets (bijv. ModelNet10) werden kernel-gebaseerde methoden onhaalbaar vanwege de $O(N^2)$ complexiteit, terwijl STRAND hanteerbaar bleef.

3. Casestudy: Autisme Breinconnectiviteit

Toegepast op de ABIDE-dataset om de functionele breinconnectiviteit tussen kinderen (<13) en volwassenen ( $\ge$ 18) te vergelijken.
STRAND detecteerde significante ontwikkelingsverschillen in lusstructuren ( $H_1$ ) over drie hersenatlassen, en kwantificeerde het effect met hazard ratios ($HR > 1$, wat wijst op kortere persistentie bij kinderen).
In tegenstelling tot baseline methoden die alleen p-waarden boden, onthulde STRAND dat de magnitude van het effect (HR) varieerde met de parcellatie-resolutie, wat een genuanceerde, interpreteerbare karakterisering van de topologische ontwikkeling bood.

Betekenis en Claims

Het artikel claimt dat STRAND de eerste methode is die hypothese-testen, interpreteerbare effectgroottes en stabiele vectorisatie van persistente diagrammen biedt vanuit één coherente representatie.

Unificatie: Het overbrugt de kloof tussen statistische inferentie en machine learning, waardoor de features die de voorspelling drijven, dezelfde zijn als de features die op significantie worden getest.
Interpreteerbaarheid: Door gebruik te maken van de mechanismen van overlevingsanalyse, gaat STRAND verder dan scalaire p-waarden door lokalisatie van verschillen (via Kaplan-Meier-curves) en kwantificering van de effectmagnitude (via hazard ratios en mediane verschillen) aan te bieden.
Praktisch Nut: De methode is bijzonder waardevol in omgevingen waar bevestigende studies met kleine steekproeven vereist zijn (bijv. medicijnontwikkeling, biomedische beeldvorming), waar het begrijpen van de magnitude en de richting van topologische verschillen even cruciaal is als hun bestaan.

De auteurs blijven bescheiden over de aanname van proportionele hazards, waarbij zij opmerken dat hoewel de log-rank test geldig blijft zonder deze aanname, de interpretatie van de hazard ratio als een enkele samenvattende effect vereist. In gevallen van niet-proportionele hazards raden zij aan om mediane persistentieverschillen naast de overlevingscurves te rapporteren.