MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis

Technische Samenvatting: MediEncoder voor nietlineaire hoogdimensionale causale mediatie-analyse

Probleemstelling
Causale mediatie-analyse beoogt het behandeleffect te ontleden in natuurlijke directe effecten (NDE) en natuurlijke indirecte effecten (NIE) die opereren via mediatoren. Terwijl klassieke methoden uitgaan van laagdimensionale, direct geobserveerde covariaten en mediatoren, omvatten moderne biomedische studies (bijv. genomics, multi-omics) frequent hoogdimensionale, ruisgevoelige metingen die dienen als proxies voor laagdimensionale latente biologische processen. Bestaande hoogdimensionale mediatiemethoden kampen met aanzienlijke beperkingen:

1. Sparsity/Variabele Selectie: Methoden die vertrouwen op sparsity (bijv. Lasso) behandelen geobserveerde variabelen als mediatoren, waardoor ze falen in het modelleren van de onderliggende latente structuur.
2. Lineariteit: Dimensiereductietechnieken gebaseerd op PCA of lineaire factormodellen gaan uit van lineaire meetkaarten, wat vaak restrictief is in complexe biologische systemen waar relaties nietlineair zijn.
3. Structurele Onafhankelijkheid: Deep learning-benaderingen (bijv. standaard autoencoders of VAE's) leren vaak representaties voor covariaten en mediatoren onafhankelijk van elkaar, waarbij de structurele afhankelijkheid tussen de latente systemen wordt genegeerd.
4. Latente Nietlineariteit: Bestaande diepe mediatie-estimators richten zich vaak niet expliciet op settings met latente nietlineaire factoren en structurele afhankelijkheid tussen de representaties van covariaten en mediatoren.

De kernuitdaging is het ontwikkelen van een raamwerk dat gelijktijdig omgaat met latente structuur, hoge dimensionaliteit, nietlineaire meetkaarten en interacties tussen behandeling, covariaat en mediator.

Methodologie: MediEncoder
De auteurs stellen MediEncoder voor, een raamwerk voor representatie-leren dat is ontworpen voor nietlineaire hoogdimensionale causale mediatie-analyse. De methode werkt in twee hoofdfasen:

1. Gekoppeld Representatie-leren:
   MediEncoder maakt gebruik van een gestructureerde encoder-decoder architectuur om gezamenlijk laagdimensionale representaties te leren van hoogdimensionale covariaten ($X$) en mediatoren ($M$). De architectuur bestaat uit:

   • Encoders/Decoders: Afzonderlijke encoder-decoder paren ($g_X, h_X$ en $g_M, h_M$) voor covariaten en mediatoren om de reconstructieverlies te minimaliseren.
   • Cross-Factor Netwerk ($g_{XM}$): Een cruciaal component dat de behandeling ($A$) en de geleerde covariaat-representatie ($g_X(X)$) naar de mediator-representatieruimte ($g_M(M)$) mapt. Dit netwerk dwingt een directionele koppeling af, waardoor de mediator-representatie voorspelbaar wordt vanuit de behandeling en de covariaat-representatie, wat de latente structurele vergelijking $f_M = \mu^*(A, f_X) + \text{ruis}$ respecteert.
   • Verliesfunctie: Het trainingsdoel minimaliseert een gewogen som van de reconstructieverliezen voor $X$ en $M$, plus een alignment-verliesterm ($\lambda_3$) die de discrepantie tussen de werkelijke mediator-representatie en de voorspelling van het cross-factor netwerk bestraft.

2. Cross-fitted Efficient Influence Function Estimatie:
   Zodra de representaties zijn geleerd, worden deze gebruikt om nuisance-functies (propensity scores, outcome regressies en dichtheidsratio's) te schatten die vereist zijn voor mediatie-analyse. De auteurs maken gebruik van een cross-fitting procedure (het splitsen van data in vier disjuncte subsets) om de doelparameter $\theta_0 = E\{Y(1, f_M(0))\}$ (het cross-world gemiddelde) te schatten met behulp van een efficient influence function (IF) gebaseerde estimator.

   • De estimator wordt geconstrueerd door de ongeobserveerde latente factoren in de oracle IF te vervangen door de geleerde representaties.
   • Theoretische resultaten tonen aan dat exacte reconstructie van de ware latente factoren niet vereist is; het volstaat dat de geleerde representaties een links-inverteerbare transformatie van de latente factoren benaderen.

Belangrijkste Bijdragen
Het artikel schetst vier primaire bijdragen:

1. Nietlineair Latente-Factor Raamwerk: Introductie van een mediatie-raamwerk voor hoogdimensionale data dat geen rekening houdt met lineariteit en sparsity aannames, en rekening houdt met latente structuren en nietlineaire meetkaarten.
2. MediEncoder Algoritme: Ontwikkeling van een gekoppeld representatie-leer algoritme met een cross-factor netwerk om de structurele afhankelijkheid tussen covariaat- en mediator-representaties te vangen, wat verschilt van standaard multi-view autoencoders.
3. Modulair Asymptotisch Theorie: Vestiging van een theoretisch raamwerk dat bewijst dat de resulterende cross-fitted estimator $\sqrt{n}$-consistent is en asymptotisch normaal verdeeld is. De theorie formaliseert dat geldige inferentie standhoudt zolang de geleerde representatie de latente factoren benadert via een links-inverteerbare transformatie, mits de nuisance-estimators convergeren met passende snelheden.
4. Empirische Validatie: Demonstratie van de prestaties van de methode via uitgebreide simulaties en een real-world toepassing op de Alzheimer's Disease Neuroimaging Initiative (ADNI) data.

Resultaten

• Simulaties: In nietlineaire hoogdimensionale settings (met behulp van Haar wavelet loading functies), presteerde MediEncoder consistent beter dan concurrerende dimensiereductie-benaderingen, waaronder Projection, standaard Autoencoders, Variational Autoencoders (VAE) en IMAVAE. MediEncoder bereikte een lagere Root Mean Squared Error (RMSE), kleinere standaarddeviaties en betrouwbaarheidsintervallen met dekking rates die dicht bij het nominale niveau van 95% liggen. Een ablatie-studie bevestigde dat de alignment-term ($\lambda_3$) cruciaal is voor het stabiliseren van de geleerde mediator-representatie en het verbeteren van de schattings-efficiëntie, met name in kleinere steekproeven.
• Real Data Applicatie (ADNI): De methode werd toegepast om de mediatie van depressieve symptomen (behandeling) op cognitieve achteruitgang (outcome) via DNA-methylatie (mediator) te bestuderen. De analyse ($n=649, p=171, q=3.206$) schatte een positief totaal effect van depressieve symptomen op cognitieve achteruitgang. De punt-schattingen suggereerden dat het effect voornamelijk opereert via het directe pad, met een kleiner en onzekerder indirect effect gemedieerd door DNA-methylatie. Het totaal effect interval sloot nul uit, terwijl de directe en indirecte intervallen nul bevatten, wat voorzichtigheid bij het interpreteren van het mediatiemechanisme suggereert.

Betekenis en Claims
Het artikel claimt dat MediEncoder een kritieke kloof in causale inferentie overbrugt door een statistisch valide raamwerk te bieden voor hoogdimensionale mediatie-analyse waarbij variabelen ruisgevoelige proxies zijn voor latente, nietlineaire biologische processen. In tegenstelling tot eerdere methoden die slechts delen van dit probleem aanpakken (bijv. lineariteit of onafhankelijkheid), leert MediEncoder gezamenlijk representaties die in lijn zijn met de latente mediatiestructuur. De auteurs benadrukken dat hun theoretische resultaten niet vereisen dat de exacte latente factoren worden gereconstrueerd, maar enkel dat de geleerde representaties de informatie behouden die nodig is voor de mediatie-functionaal via een links-inverteerbare transformatie. Dit maakt de methode robuust tegen de complexiteit van moderne biomedische data terwijl de gewenste statistische eigenschappen van semiparametrische efficiëntie behouden blijven.