Resumo Técnico: Redes de Difusão de Denoising para Modelagem Normativa em Neuroimagem

Declaração do Problema

A modelagem normativa em neuroimagem visa caracterizar a distribuição de medições biológicas (Fenótipos Derivados de Imagem, ou IDPs) como uma função de covariáveis (ex: idade, sexo) para derivar escores de desvio e centis clinicamente interpretáveis. A prática padrão atual geralmente emprega uma estratégia "por fenótipo", ajustando modelos univariados separados para cada IDP. Embora escalável, essa abordagem descarta estruturas de dependência multivariada que podem codificar padrões biológicos coordenados (ex: atrofia coocorrente na doença de Alzheimer).

As abordagens de modelagem conjunta existentes enfrentam obstáculos significativos:

• Métodos Paramétricos (LMS, GAMLSS): Têm dificuldade com multimodalidade, heterocedasticidade e densidades conjuntas de alta dimensão, muitas vezes exigindo ajustes separados por IDP.
• Processos Gaussianos (GPs) e Regressão Bayesiana Hierárquica (HBR): São computacionalmente caros em escala e difíceis de estender para distribuições conjuntas de alta dimensão.
• Modelos Generativos Profundos (VAEs, Fluxos de Normalização): VAEs podem sofrer de colapso de posterior e reconstruções excessivamente suaves; fluxos de normalização exigem invertibilidade global, o que restringe o design da arquitetura em altas dimensões.

Os autores propõem Modelos Probabilísticos de Difusão de Denoising (DDPMs) como um estimador de densidade condicional unificado para IDPs tabulares. Esta abordagem busca modelar conjuntamente IDPs de alta dimensão enquanto preserva estruturas de dependência realistas, permitindo a derivação de centis univariados calibrados e perfis de desvio multivariados.

Metodologia

Fontes de Dados

1. Conjunto de Dados Sintético (SYNTH): 47.000 amostras geradas com receitas paramétricas que induzem não linearidade, heterocedasticidade e bimodalidade (via subgrupos latentes para idade $\ge$ 65) para testar a calibração.
2. UK Biobank (UKB): Dados reais de RM ponderados em T1 processados com FreeSurfer.
   • Baixa Dimensão ($D=20$): Um conjunto de IDPs sensíveis à neurodegeneração (volumes hipocampais/amigdalianos, volumes ventriculares, espessuras corticais em regiões de assinatura de AD, volume de WMH, eTIV).
   • Alta Dimensão ($D=100, 200$): Os 20 IDPs centrais aumentados com IDPs adicionais amostrados aleatoriamente do FreeSurfer para testar a escalabilidade.

Arquitetura do Modelo

Os autores implementam DDPMs onde o processo de propagação (forward) é uma cadeia de Markov fixa adicionando ruído Gaussiano, e o processo reverso é aprendido via uma rede de denoising $\epsilon_\theta(y_t, t, c)$ condicionada a covariáveis $c$. Duas arquiteturas de backbone foram comparadas:

1. MLP com Condicionamento FiLM:

   • Uma rede totalmente conectada com camadas de Modulação Linear por Característica (FiLM).
   • As covariáveis são mapeadas para parâmetros afins ($\gamma, \beta$) que modulam as ativações das camadas ocultas.
   • O tempo $t$ é concatenado aos inputs.

2. Transformer estilo SAINT:

   • Adapta a arquitetura SAINT (Self-Attention with Intersample Attention) para IDPs contínuos.
   • Tokens de Característica: Cada IDP escalar é mapeado para um token de característica.
   • Condicionamento: As covariáveis e os passos de tempo são incorporados (embedded) e adicionados a cada token de característica (evitando tokens de contexto extras).
   • Mecanismos de Atenção:
     • Autoatenção: Entre características (coluna) dentro de um sujeito.
     • Atenção Intersample (Linha): Um mecanismo leve onde um token de resumo por sujeito atende a outros sujeitos no mini-lote durante o treinamento (50% de probabilidade). Isso atua como um regularizador para aprender estruturas compartilhadas, mas é desativado no teste para garantir que as previsões dependam apenas dos próprios dados do sujeito.

Suíte de Avaliação

Os autores construíram uma estrutura de avaliação abrangente adaptada para modelagem normativa:

• Calibração de Centis: Erro de Centil Absoluto (ACE), Probabilidade de Cobertura Empírica (ECP) e histogramas de Transformada Integral de Probabilidade (PIT).
• Fidelidade Distribucional: Testes de Kolmogorov–Smirnov (KS) comparando marginais condicionais geradas vs. mantidas fora do treino (held-out).
• Dependência Multivariada:
  • Pareada: Distância de energia e Máxima Discrepância de Média (MMD) comparando as juntas geradas contra o produto de marginais e as juntas reais.
  • Ordem Superior: Matrizes de correlação de forma "par-de-par" ($C_{shape}$) para avaliar se o modelo captura o arranjo das dependências entre pares de IDPs.
• Análise de Memorização: Razão de vizinho mais próximo (NN) ($r = d_{train}/d_{hold}$) para detectar overfitting/memorização, com efeitos de densidade controlados por subamostragem estratificada.

Baselines

• GAMLSS: Regressão de distribuição Sinh–Arcsinh (SHASH) univariada ajustada por IDP. Nota: O GAMLSS falhou em convergir para 9/20 IDPs do UKB devido à instabilidade de otimização.

Principais Resultados

1. Calibração e Cobertura

• Baixas Dimensões ($D=20$): Ambos os backbones de difusão (MLP e SAINT) produziram intervalos de predição (PIs) centrais bem calibrados, com o SAINT acompanhando a cobertura nominal ligeiramente melhor que o MLP. O GAMLSS foi competitivo nos IDPs que convergiram, mas mostrou falhas significativas (erros de cobertura > 0,6) em outros.
• Altas Dimensões ($D=100, 200$): O backbone MLP degradou drasticamente, exibindo cobertura saturada (próxima a 1,0) e desempenho pobre de PIT (massa próxima a 0,5). Em contraste, o backbone SAINT permaneceu substancialmente melhor calibrado, mantendo cobertura razoável e fidelidade de distribuição mesmo em $D=200$.

2. Fidelidade Distribucional

• No conjunto de dados SYNTH (bimodal/heterocedástico), todos os modelos tiveram bom desempenho.
• Nos dados de alta dimensão do UKB, a fração de rejeição do backbone MLP saturou, indicando que suas marginais se afastaram da realidade. O backbone SAINT manteve frações de rejeição limitadas, aprendendo com sucesso marginais condicionais realistas em modelos conjuntos de alta dimensão.

3. Dependência Multivariada

• Pareada: As distribuições conjuntas geradas de ambos os backbones se afastaram significamente da baseline de produto de marginais e alinharam-se de perto com os dados reais mantidos fora do treino. O SAINT mostrou melhor alinhamento (menores distâncias de MMD/Energia mediana) que o MLP.
• Ordem Superior: As matrizes de correlação de forma "par-de-par" mostraram forte concordância entre os dados reais e gerados (correlação de Mantel $r \approx 0,985$ para MLP, $0,991$ para SAINT). Isso indica que os modelos capturam não apenas relações pareadas individuais, mas o arranjo global de dependências.

4. Memorização

• Após controlar a densidade de amostras, a razão de vizinho mais próximo $r$ centrou-se em 1 para ambos os backbones ($E[I(r<1)] \approx 0,5$), indicando que não houve memorização significativa do conjunto de treinamento e houve generalização eficaz.

5. Eficiência Computacional

• Treinamento: Modelos de difusão foram treinados mais rápido que o GAMLSS (ex: 378s para MLP vs. 3569s para GAMLSS no UKB $D=20$).
• Escalabilidade: O tempo de execução do MLP foi insensível à dimensionalidade. O tempo de treinamento do SAINT escalou quadraticamente com a dimensão (ex: ~6866s para $D=200$), mas permaneceu prático (< 2 horas). Tempos de amostragem foram eficientes para o MLP, mas aumentaram para o SAINT em altas dimensões.

Significância e Alegações

O artigo afirma ser a primeira aplicação de modelagem de difusão para IDPs de neuroimagem normativa multivariada usando um backbone de transformer tabular.

Os autores sustentam que:

1. Os modelos de difusão oferecem uma rota prática para perfis de desvio multivariados calibrados em neuroimagem, superando as limitações de pipelines univariados por IDP.
2. Backbones SAINT são superiores aos MLPs para modelagem normativa de alta dimensão ($D > 20$), preservando a calibração e as estruturas de dependência de ordem superior onde os MLPs padrão falham.
3. A modelagem conjunta é viável e benéfica: Ao capturar padrões coordenados de desvio (ex: atrofia coocorrente), esses modelos fornecem uma base biologicamente mais coerente para a pontuação de desvio do que ajustes univariados independentes.
4. Flexibilidade generativa: Diferente dos métodos paramétricos, os modelos de difusão podem lidar com densidades condicionais complexas, multimodais e heterocedásticas sem suposições distributivas explícitas, ao mesmo tempo em que suportam a derivação de métricas clínicas padrão (centis, escores de desvio).

Este trabalho posiciona a modelagem normativa baseada em difusão como uma alternativa escalável que faz a ponte entre a interpretabilidade dos gráficos de centis tradicionais e a complexidade dos dados de neuroimagem de alta dimensão.