Improving clinical interpretability of linear neuroimaging models through feature whitening

1. O Problema

Os modelos lineares são amplamente utilizados em neuroimagem computacional para identificar biomarcadores associados a patologias cerebrais. No entanto, a interpretação dos pesos aprendidos por esses modelos é frequentemente desafiadora e clinicamente pouco significativa.

• Causa Raiz: A dificuldade surge principalmente da correlação inerente entre diferentes regiões cerebrais. Quando as características (features) estão correlacionadas, os pesos do modelo linear tendem a refletir a variância compartilhada entre elas, em vez de contribuições específicas de cada região.
• Exemplos Críticos: Estruturas homólogas nos hemisférios esquerdo e direito, ou volumes de substância cinzenta (GM) e líquido cefalorraquidiano (CSF) dentro da mesma região, exibem fortes correlações anatômicas. Isso distorce a interpretação clínica, pois o modelo não consegue distinguir qual região ou tecido está realmente contribuindo para a classificação.
• Limitação de Métodos Atuais: Abordagens "forward models" existentes lidam com a colinearidade a posteriori, mas ignoram o conhecimento prévio sobre a estrutura cerebral (como correlações inter-hemisféricas) que poderia ser incorporado durante o ajuste do modelo.

2. Metodologia

Os autores propõem uma abordagem de branqueamento (whitening) de características baseada em conhecimento neuroanatômico prévio, utilizando uma variante regularizada da Análise de Componentes de Fase Zero (ZCA-cor).

• Estratégia de Branqueamento:
  • O branqueamento é aplicado de forma par a par (pairwise) em vez de global, preservando o sinal de entrada completo (diferente de PCA ou ICA que reduzem a dimensionalidade).
  • Pares Selecionados:
    1. Medidas homólogas dos hemisférios esquerdo e direito (ex: amígdala esquerda vs. direita).
    2. Volumes de Substância Cinzenta (GM) e Líquido Cefalorraquidiano (CSF) dentro da mesma região (devido à sua relação inversa).
• Algoritmo (ZCA-cor):
  • Utiliza a matriz de correlação (em vez da matriz de covariância) para gerar variáveis esféricas (decorrelacionadas) que mantêm a estrutura original dos dados o máximo possível.
  • A transformação é realizada via decomposição em valores singulares (SVD) para estabilidade numérica.
• Variante Regularizada:
  • Introduz um parâmetro $\alpha \in [0, 1]$ para controlar o grau de decorrelação.
  • $\alpha = 1$: Branqueamento total (ZCA-cor padrão).
  • $\alpha < 1$: Branqueamento parcial, permitindo que o modelo retenha algumas correlações relevantes para a classe (ex: padrões de acoplamento específicos de doenças entre hemisférios).
• Mapeamento de Pesos:
  • Após o treinamento do classificador no espaço branqueado, os pesos são projetados de volta para o espaço de características original usando a matriz de branqueamento transposta. Isso garante que a ordem relativa das contribuições das características seja preservada, permitindo uma interpretação direta.
• Dados e Tarefas:
  • Datasets: BIOBD e BSNIP (Transtorno Bipolar - BD) e SCHIZCONNECT-VIP (Esquizofrenia - SCZ).
  • Features: 280 ROIs (Regiões de Interesse) derivadas de MRI estrutural (GM e CSF).
  • Modelo: Regressão Logística com validação cruzada de 10 dobras.

3. Principais Contribuições

1. Novo Enquadramento de Branqueamento: Diferente do uso tradicional de branqueamento para redução de dimensionalidade ou redução de ruído em EEG/fMRI, este trabalho aplica o branqueamento especificamente para melhorar a interpretabilidade de modelos lineares em MRI estrutural, mantendo todas as características originais.
2. Incorporação de Conhecimento Anatômico: O método explícito utiliza o conhecimento prévio sobre a simetria hemisférica e a relação inversa GM/CSF para guiar o processo de decorrelação.
3. Branqueamento Regularizado: A proposta de um parâmetro de controle ($\alpha$) oferece flexibilidade para equilibrar a decorrelação estatística com a preservação de padrões de acoplamento biológicos potencialmente relevantes para a doença.
4. Validação de Interpretabilidade: Demonstra que os pesos resultantes após o branqueamento alinham-se melhor com meta-análises de consenso da comunidade (ENIGMA) do que os pesos de modelos não branqueados.

4. Resultados

• Desempenho Preditivo: O branqueamento não degradou o desempenho de classificação. As métricas ROC-AUC e Precisão Balanceada (BAcc) para BD vs. Controles Saudáveis (HC) e SCZ vs. HC permaneceram estatisticamente equivalentes entre os modelos originais e branqueados.
• Desemaranhamento de Características:
  • As matrizes de correlação mostraram uma redução drástica nas correlações entre regiões homólogas (esquerda/direita) e entre GM/CSF após o branqueamento.
  • A dispersão das características tornou-se mais esférica, indicando que a variância foi distribuída de forma mais equitativa entre as características decorrelacionadas.
• Melhoria na Interpretabilidade Biológica:
  • Transtorno Bipolar (BD): O branqueamento fortaleceu significativamente a correlação dos pesos do modelo com as classificações corticais e subcorticais encontradas em meta-análises do ENIGMA (ex: elevando a importância de ventrículos, hipocampo, tálamo e amígdala).
  • Esquizofrenia (SCZ): Melhorou a classificação de regiões chave (hipocampo, giro temporal inferior, giro fusiforme), tornando os resultados mais plausíveis biologicamente, mesmo que as correlações globais com o atlas tenham variado.
  • Em ambos os casos, os pesos dos modelos branqueados refletiram melhor os mecanismos neurobiológicos conhecidos das doenças.

5. Significado e Conclusão

Este trabalho preenche uma lacuna importante na neuroimagem computacional ao adaptar técnicas de branqueamento (comumente usadas em aprendizado auto-supervisionado ou processamento de sinais) para a interpretação clínica de modelos de IA.

• Impacto Clínico: Ao fornecer pesos de modelo que são mais alinhados com a biologia conhecida (e menos distorcidos por correlações espúrias), o método oferece uma estrutura robusta para vincular saídas de modelos lineares a mecanismos neurobiológicos reais.
• Futuro: Embora aplicado aqui a modelos lineares e pares de regiões, a metodologia serve como base para ser estendida a arquiteturas mais complexas, como redes neurais profundas, potencialmente revolucionando como interpretamos biomarcadores em neuroimagem psiquiátrica.

Em resumo, o branqueamento de características proposto permite que os modelos de aprendizado de máquina "falem a língua" da neuroanatomia, separando contribuições compartilhadas de contribuições específicas, sem sacrificar a precisão preditiva.