Resumo Técnico: LERD – Dinâmicas de Eventos-Relacionais Latentes para Classificação Neurodegenerativa

1. Formulação do Problema

O artigo aborda o desafio de diagnosticar a doença de Alzheimer (DA) e caracterizar dinâmicas neurodegenerativas utilizando eletroencefalografia (EEG) multicanal. Embora o aprendizado profundo tenha avançado na classificação baseada em EEG, as abordagens existentes tipicamente funcionam como preditores de rótulos de "caixa-preta". Elas mapeiam sinais espaço-temporais para categorias diagnósticas (ex: DA vs. controle) sem modelar explicitamente os eventos neurais latentes (transições em nível de população) ou a coordenação temporal (interações entre canais) que geram os sinais.

Os autores identificam duas lacunas primárias:

1. Falta de Recuperação Latente: Os modelos atuais não recuperam o tempo dos eventos latentes ou os grafos de interação direcionados entre canais, tornando difícil relacionar as previsões a fenômenos neurofisiológicos estabelecidos (ex: padrões de atividade impulsionados por eventos ou resumos de interação derivados de tempo).
2. Escassez de Anotação: Inferir essas dinâmicas é difícil porque o EEG de escalpo é uma mistura linear ruidosa de fontes mesoscópicas, e os tempos de eventos específicos e as arestas de interação são não observados (latentes) e não anotados.

O objetivo é projetar um sistema que infira simultaneamente:

• Dinâmicas de eventos latentes por canal (quando os eventos ocorrem).
• Um grafo relacional de eventos condicional (como eventos em um canal influenciam probabilisticamente outros).
• Rótulos diagnósticos, sem exigir anotações de picos (spikes) ou arestas.

2. Metodologia: O Framework LERD

O LERD (Latent Event-Relational Dynamics) é um sistema dinâmico neural bayesiano de ponta a ponta treinado via inferência variacional. Ele consiste em três componentes principais que interagem:

A. Equação Diferencial de Posterior de Eventos (EPDE)

A EPDE modela a distribuição posterior dos tempos de eventos latentes para cada canal dado o sinal de EEG observado.

• Em vez de prever passos de tempo discretos, ela define uma função auxiliar $\Phi(t)$ cuja derivada acumula a contribuição da densidade de eventos.
• O próximo tempo de evento esperado é computado como a solução de um Problema de Valor Inicial (IVP), garantindo que os eventos permaneçam estritamente ordenados no tempo.
• Isso fornece uma representação de tempo contínuo para as dinâmicas latentes e tempos esperados para o próximo evento.

B. Processo Lognormal de Evolução de Média (MELP)

Para capturar a natureza estocástica dos intervalos entre eventos, o LERD emprega um MELP.

• As EPDEs servem como parâmetros de média para uma mistura de distribuições lognormais.
• Usando amostragem reparametrizada (ex: Gumbel-Softmax durante o treinamento), o modelo extrai intervalos inter-eventos estocásticos.
• Isso permite que o modelo lide com estatísticas de tempo flexíveis e potencialmente multimodais, garantindo intervalos positivos.

C. Grafo Relacional de Eventos (ERG)

O ERG captura interações direcionadas entre canais baseadas nos atrasos (lags) de eventos inferidos.

• Os atrasos de eventos entre canais são mapeados através de uma não linearidade suave (inspirada na Plasticidade Dependente de Tempo de Disparo, STDP) em pesos de aresta.
• O grafo não é uma matriz de conectividade estática, mas um processo dinâmico que resume como eventos em um canal precedem, seguem ou se alinham com eventos em outros.
• Um regularizador fraco alinha o ERG com estatísticas observáveis (ex: correlações de Pearson), mas depende primariamente dos atrasos de eventos inferidos para uma estrutura mais refinada.

D. Prior de Eletrofisiologia Informada (dLIF)

Uma inovação fundamental é a incorporação de um prior de Leaky-Integrate-and-Fire diferenciável (dLIF).

• Isso impõe restrições biofisicamente significativas ao processo latente, incluindo vazamento (leak), comportamento de refração e taxas de disparo plausíveis.
• Como a função de pico (spike) rígida em modelos LIF padrão é não diferenciável, o LERD regulariza os proxies de taxa derivados do estado da EPDE para seguir as leis do dLIF.
• Isso atua como um prior estruturado sobre as dinâmicas de taxa latentes de nível populacional, em vez de uma afirmação de que o EEG de escalpo reflete disparos de neurônios únicos.

E. Objetivo de Treinamento

O modelo é treinado minimizando um objetivo de limite inferior de evidência negativo (ELBO):
$$J = -\mathbb{E}[\log p_\theta(Y|X, T, G)] + \text{KL}(T) + \text{KL}(\tau) + \beta R_{\text{ERG}} + \lambda_{\text{LIF}} R_{\text{LIF}}$$

• $\text{KL}(T)$: Um substituto tratável baseado em IVP para a divergência KL entre a lei do caminho inferido e o prior dLIF.
• $\text{KL}(\tau)$: Penaliza o desvio de um prior de mistura lognormal para intervalos entre eventos.
• $R_{\text{ERG}}$ & $R_{\text{LIF}}$: Regularizadores fracos para o alinhamento de grafo e consistência dLIF, respectivamente.

3. Principais Contribuições

1. Descoberta Sem Anotação: O LERD é um sistema bayesiano unificado que infere processos de eventos latentes e dinâmicas de grafos relacionais de eventos diretamente de EEG multicanal, sem exigir anotações de picos ou arestas.
2. Restrições Biofísicas: Integra um prior dLIF diferenciável, fornecendo restrições sobre taxas, refratariedade e conteúdo de frequência que se alinham com princípios eletrofisiológicos.
3. Garantias Teóricas: Os autores derivam uma representação computacionalmente tratável baseada em IVP para o KL do prior de eventos e estabelecem limites de estabilidade para o ERG inferido em relação ao ruído de atraso (lag).
4. Desempenho Empírico: O modelo demonstra a capacidade de recuperar estruturas latentes que se alinham com diferenças fisiológicas, alcançando simultaneamente um desempenho diagnóstico competitivo.

4. Resultados Experimentais

Benchmarks Sintéticos (Dataset de Brinquedo)

• Configuração: Dados sintéticos com taxas de eventos latentes e fronteiras conhecidas através de três bandas de frequência.
• Comparação: Comparado contra Neural ODEs (NODE), ODE-RNN e STRODE.
• Descobertas: Embora os modelos de base tenham alcançado alta similaridade de cosseno (previsão de sequência), eles falharam em recuperar as estruturas de eventos latentes (pontuações de Interseção-sobre-União (IoU) de 0.000).
• Desempenho do LERD: Alcançou alta similaridade de cosseno enquanto obtinha pontuações de IoU não nulas (ex: 0.473 na banda de 5–10 Hz), demonstrando sua capacidade de recuperar os mecanismos geradores subjacentes e as taxas de eventos.

Datasets de EEG de AD do Mundo Real

• Datasets: Duas coortes (A e B) contendo DA, Demência Frontotemporal (DFT), Comprometimento Cognitivo Leve (CCL) e controles saudáveis.
• Desempenho: O LERD superou bases fortes (CNNs, RNNs, Transformers) em precisão diagnóstica.
  • Na Coorte A, mostrou distinção clara entre DA, DFT e controles com menor variabilidade de desempenho.
  • Na Coorte B, que era mais desbalanceada, manteve robustez e alta precisão onde outros modelos oscilaram.
• Interpretabilidade: O modelo gerou resumos "alinhados à fisiologia" (taxas, resumos de tempo e estruturas de grafos) que ajudaram a caracterizar diferenças dinâmicas em nível de grupo, como o lentificamento oscilatório e a coordenação interrompida.

5. Significância e Alegações

O artigo afirma que o LERD preenche a lacuna entre a classificação de alto desempenho de caixa-preta e a compreensão neurocientífica mecanística. Ao modelar explicitamente o tempo de eventos latentes e as dinâmicas de eventos-relacionais, o framework:

• Fornece uma maneira fundamentada de inferir interações direcionadas de nível de evento a partir de dados de EEG ruidosos e não anotados.
• Oferece resumos interpretáveis (taxas de eventos, resumos de tempo e grafos de interação) que podem ser comparados com fenômenos estabelecidos de EEG.
• Alcança desempenho diagnóstico superior enquanto mantém o alinhamento com restrições eletrofisiológicas, sugerindo que a incorporação de conhecimento de domínio (via prior dLIF) melhora tanto a robustez quanto a interpretabilidade de modelos de aprendizado profundo na classificação neurodegenerativa.

Os autores enfatizam que o prior dLIF é fenomenológico, servindo como um regularizador estruturado para dinâmicas de nível populacional, em vez de um mapeamento direto para a fisiologia de neurônios únicos. O trabalho posiciona-se como um passo em direção ao "raciocínio bayesiano mecanístico" na análise de EEG, indo além da extração de características estáticas para a modelagem dinâmica impulsionada por eventos.