Bayesian Federated Cause-of-Death Classification and Quantification Under Distribution Shift

Resumo Técnico: Classificação e Quantificação Bayesiana Federada de Causa de Morte sob Desvio de Distribuição

1. Definição do Problema

Em países de baixa e média renda (LMICs), a certificação médica das causas de morte é frequentemente indisponível, tornando necessária a utilização da Autópsia Verbal (VA) para inferir causas por meio de entrevistas com cuidadores. Embora algoritmos probabilísticos tenham substituído a revisão de especialistas para analisar dados de VA, eles enfrentam duas limitações críticas:

1. Acesso a Dados e Privacidade: Modelos de última geração tipicamente requerem treinamento centralizado em grandes conjuntos de dados de referência rotulados. No entanto, regulamentações de privacidade e restrições logísticas frequentemente impedem a consolidação de dados de diferentes regiões, países ou períodos de tempo. Consequentemente, analistas são muitas vezes forçados a usar modelos de parâmetros fixos e rígidos (ex: InterVA, Tariff) ou a depender de dados locais não representativos.
2. Desvio de Distribuição: Dados de VA coletados de diferentes populações exibem diferenças sistemáticas nas distribuições de sintomas ($p(X|Y)$) e nas prevalências de causa de morte ($p(Y)$), mesmo para as mesmas causas subjacentes. Esses desvios, impulsionados pela epidemiologia, acesso à saúde e normas culturais, degradam o desempenho de modelos treinados em dados externos. As soluções existentes para abordar o desvio exigem ou dados de referência diversos e agrupados ou dados locais rotulados suficientes, ambos os quais são frequentemente indisponíveis.

2. Metodologia: Aprendizado Federado Bayesiano (BFL)

Os autores propõem um framework de Aprendizado Federado Bayesiano (BFL) que permite o treinamento de modelos de VA robustos sem compartilhar dados individuais entre domínios. O framework opera sob a premissa de que existem dados de morte de referência em múltiplos domínios (locais de treinamento) que só podem ser analisados localmente, enquanto o domínio alvo pode ter dados rotulados limitados ou inexistentes.

Arquitetura Central:

• Modelos de Base: Cada domínio de treinamento $m$ treina independentemente um "modelo de base" (ex: um modelo de classe latente como o LCVA) em seus dados rotulados locais para estimar a verossimilhança condicional de sintomas dados uma causa, $\hat{p}_m(X|Y)$. Apenas esses resumos do modelo (parâmetros) são compartilhados, não os dados brutos.
• Agregação Global: No domínio alvo, o modelo BFL trata a distribuição condicional de sintomas como uma mistura ponderada dos modelos de base:
  $$p_0(X|Y=c) = \sum_{m=1}^M \lambda_{cm} \hat{p}_m(X|Y=c)$$
  Aqui, $\lambda_{cm}$ representa o peso do $m$-ésimo domínio de origem para a causa $c$. Esses pesos são aprendidos via um modelo de agregação de classe latente bayesiano.
• Abordagem Generativa: Ao contrário do aprendizado federado discriminativo que agrega funções de predição $p(Y|X)$, o BFL agrega a distribuição generativa $p(X|Y)$. Isso se alinha ao processo natural de geração de dados de VA (sintomas são consequências de doenças) e é empiricamente mais robusto a desvios de distribuição.
• Lidando com Rótulos Locais: O framework oferece três estratégias para incorporar dados rotulados opcionais no domínio alvo:
  1. BFL-domain: Trata os dados rotulados locais como um novo domínio, treinando um modelo de base adicional para expandir o invólucro convexo das distribuições condicionais.
  2. BFL-partial: Utiliza rótulos locais diretamente para atualizar os pesos de mistura ($\lambda$) e as frações de causa ($\pi$) dentro da verossimilhança global, sem retreinar os modelos de base.
  3. BFL-mix: Uma abordagem híbrida que divide os dados locais para treinar um modelo local e atualizar os pesos globais simultaneamente.

Inferência:
A inferência posterior é conduzida de forma eficiente usando um amostrador de Gibbs (ou Stan), estimando as Frações de Mortalidade Específicas por Causa (CSMFs) $\pi$ e os pesos de domínio $\lambda$. O método suporta tanto a atribuição de causa em nível individual quanto a quantificação em nível populacional.

3. Principais Contribuições

• Framework Inovador: Introdução do primeiro framework de aprendizado federado específico para VA que elimina a necessidade de dados centralizados rotulados, abordando simultaneamente o desvio de rótulo (label shift, $p(Y)$) e o desvio condicional ($p(X|Y)$).
• Modularidade e Eficiência: O framework é modular, compatível com vários algoritmos de VA existentes (ex: LCVA, InSilicoVA) como modelos de base. Uma vez treinados os modelos de base, o passo de agregação global é computacionalmente insignificante (segundos em um laptop).
• Robustez ao Desvio: Ao modelar a verossimilhança condicional em vez da probabilidade posterior, o método desvincula explicitamente as CSMFs dos domínios de origem das relações sintoma-causa, permitindo uma transferência robusta mesmo quando as populações de origem e alvo possuem perfis de mortalidade vastamente diferentes.
• Ajuste Fino Flexível: A provisão de três estratégias distintas (domain, partial, mix) para aproveitar dados rotulados locais dependendo da severidade do desvio de rótulo dentro do alvo e da representatividade da amostra local.

4. Resultados Experimentais

Os autores validaram o BFL utilizando dois conjuntos de dados do mundo real: o conjunto de dados de adultos padrão-ouro PHMRC (6 locais) e o conjunto de dados neonatais CHAMPS (7 países).

• Experimentos PHMRC:

  • Cenário: Experimentos de "deixar um domínio de fora" (leave-one-domain-out) sob graus variados de desvio de rótulo dentro do alvo (nenhum, leve, severo).
  • Desempenho: As variantes do BFL superaram consistentemente os modelos de base de domínio único (local-self, local-avg).
  • Comparação com Modelagem Conjunta: O BFL apresentou desempenho comparável a, e em alguns casos superior ao, o método "padrão-ouro" de modelagem conjunta (LCVA com agrupamento total de dados), apesar de não ter acesso aos dados brutos agrupados.
  • Sensibilidade ao Desvio de Rótulo: Sob desvio de rótulo severo, o BFL-partial (atualização direta de peso) superou o BFL-domain (treinamento de modelo local), pois este último teve dificuldades quando os dados rotulados locais não representavam as causas prevalentes na população não rotulada do alvo.
  • Métodos de Calibração: Métodos de calibração padrão (GBQL) funcionaram bem sob rotulagem aleatória, mas degradaram significativamente sob desvio de rótulo severo ou com priors de encolhimento (shrinkage) fortes, enquanto o BFL permaneceu robusto.

• Experimentos CHAMPS:

  • Desempenho: No conjunto de dados neonatais com alto desequilíbrio de classes, o BFL alcançou uma precisão de CSMF comparável ao LCVA de dados totais e significativamente melhor que os modelos de domínio único.
  • Interpretação de Pesos: Os pesos de domínio ($\lambda$) aprendidos identificaram efetivamente quais domínios de origem forneciam os padrões de sintomas mais informativos para causas específicas, mesmo sem acesso direto às CSMFs de origem.

5. Significância e Alegações

O artigo afirma que o BFL oferece uma solução prática para o problema dos "silos de dados" na vigilância da saúde global. Ao permitir que analistas aproveitem diversos conjuntos de dados de referência sem violar restrições de privacidade, o BFL preenche a lacuna entre modelos simples e rígidos e modelos complexos e ávidos por dados.

• Impacto Prático: O framework facilita a implementação de modelos de VA avançados e flexíveis em sistemas de vigilância de mortalidade do mundo real, onde o compartilhamento de dados é restrito.
• Robustez: Os resultados demonstram que a agregação federada de modelos generativos pode lidar eficazmente com desvios de distribuição que normalmente prejudicam as abordagens de transferência de aprendizado padrão.
• Ressalvas: Os autores mantêm uma postura modesta, observando que nenhum método domina universalmente; o desempenho depende fortemente da natureza específica do desvio de distribuição e da disponibilidade/representatividade dos dados rotulados locais. Eles enfatizam que, embora o BFL melhore os métodos existentes, o desafio fundamental de validar a atribuição de causa de morte sem mortes de referência suficientes permanece, e as alegações de "resolver" o problema devem ser vistas com cautela.

O trabalho conclui que o BFL é uma abordagem escalável, computacionalmente eficiente e robusta para modernizar a vigilância de causa de morte em ambientes com recursos limitados.