Resumo Técnico: CORE – Rede Neural Robusta de Cérebro para Dados Fora de Distribuição entre Sites

Declaração do Problema

A análise de imagens de ressonância magnética funcional (fMRI) usando Redes Neurais em Grafos (GNNs) demonstrou potencial no diagnóstico de transtornos cerebrais como o Transtorno do Espectro Autista (TEA) e o Transtorno Depressivo Maior (TDM). No entanto, os métodos existentes sofrem degradação significativa de desempenho quando aplicados em cenários entre sites e fora de distribuição (OOD). Essa falha é atribuída a dois fatores principais:

1. Fatores de Confusão Condicionados ao Site: Variações nas características dos scanners e vieses demográficos criam pistas estruturadas e não patológicas que os modelos exploram como atalhos preditivos, levando a uma generalização pobre em sites não vistos.
2. Neurodinâmicas Obscurecidas: Métodos convencionais constroem a conectividade funcional (CF) através da média temporal de séries temporais inteiras. Essa abordagem obscurece neurodinâmicas transitórias e clinicamente relevantes. Embora a modelagem dinâmica exista, ela frequentemente produz padrões de alta dimensão e específicos de cada site, que carecem de transferibilidade.

As abordagens atuais lutam para mitigar simultaneamente a confusão específica de cada site, caracterizar padrões dinâmicos transferíveis e conciliar prios estáveis em nível populacional com a variabilidade específica do sujeito.

Metodologia

O artigo propõe o CORE (Rede Neural Robusta de Cérebro para Dados Fora de Distribuição entre Sites), um framework unificado projetado para enfrentar esses desafios através de três componentes integrados:

1. Desacoplamento de Fatores de Confusão Consciente do Site

Para mitigar o viés condicionado ao site, o CORE vai além do desconfundimento global, que assume efeitos invariantes entre sites. Em vez disso, emprega uma abordagem consciente do site:

• Estimativa Específica do Site: Para cada site de treinamento, estima os efeitos dos fatores de confusão (por exemplo, idade, sexo) independentemente, usando regressão de Huber com Mínimos Quadrados Iterativamente Reponderados (IRLS).
• Residualização: Remove essas tendências de nuisance específicas do site dos dados de conectividade funcional (CF) dentro de cada site.
• Extração de Andaimagem (Scaffold): Agrega contrastes diagnósticos entre sites usando uma mediana componente a componente para evitar a dominância de sites grandes. Em seguida, aplica filtragem de estabilidade por bootstrap e verificações de consistência de sinal para extrair uma "andaimagem populacional entre sites". Essa andaimagem consiste apenas em conexões diagnósticas que são reproduzíveis e estáveis entre diferentes sites, filtrando efetivamente atalhos não patológicos.

2. Perfilamento de Vias Transitórias

Para capturar dinâmicas temporais sem a alta dimensionalidade de trajetórias completas de CF dinâmica, o CORE restringe a modelagem temporal à andaimagem extraída:

• Geração de Descritores: Calcula a CF em janelas deslizantes sobre os pares de Regiões de Interesse (ROI) selecionados pela andaimagem. Essas trajetórias são resumidas em descritores temporais de dimensão fixa: volatilidade temporal e flexibilidade dinâmica.
• Construção de Grafo de Linha: Esses descritores são organizados em um grafo de linha, onde os nós representam as arestas da andaimagem e as conexões existem se as arestas compartilharem uma região cerebral. Essa estrutura permite a modelagem em nível de via de neurodinâmicas transitórias.
• Ponderação de Priori: As conexões do grafo de linha são ponderadas usando o contraste diagnóstico de consenso, incorporando prios em nível populacional na topologia do grafo.

3. Portão Adaptativo ao Sujeito Guiado por Priori

Para equilibrar a estabilidade populacional com a variabilidade individual, o CORE introduz um mecanismo de portão no grafo de linha:

• Agregação de Contexto: Calcula um vetor de contexto em nível de sujeito agrupando as características dos nós da andaimagem.
• Passagem de Mensagens Portada: Para cada sujeito, um portão é computado para cada nó da andaimagem. Esse portão combina características orientadas por dados com a pontuação de priori derivada da andaimagem.
• Seleção Adaptativa: O mecanismo enfatiza seletivamente vias relevantes para o sujeito, suprimindo conexões irrelevantes ou não transferíveis. Um termo de regularização de esparsidade incentiva a seleção de um conjunto compacto de vias informativas.

Contribuições Principais

1. Formulação do Problema: O artigo identifica e aborda formalmente três desafios críticos na análise de redes cerebrais entre sites: a confusão condicionada ao site, a necessidade de sumarização dinâmica de CF transferível e o trade-off entre andaimes populacionais e variabilidade específica do sujeito.
2. Framework Unificado (CORE): Propõe uma arquitetura inovadora que integra o desacoplamento de fatores de confusão consciente do site, o perfilamento de vias transitórias via grafos de linha e o portão adaptativo ao sujeito guiado por priori.
3. Validação Empírica: Experimentos extensivos em quatro conjuntos de dados do mundo real (ABIDE, REST-meta-MDD, SRPBS e ABCD) sob um protocolo estrito de leave-one-site-out (LOSO) demonstram a eficácia do framework.

Resultados

• Desempenho: O CORE supera consistentemente as bases de comparação mais avançadas, incluindo GNNs gerais, métodos OOD e modelos especializados de redes cerebrais. Alcança ganhos relativos de até 6,7% em métricas de desempenho (AUC e ACC) entre os conjuntos de dados.
• Robustez: O framework permanece robusto a variações em esquemas de parcellação cerebral (por exemplo, alternar entre os atlas AAL e CC200), mantendo os ganhos de desempenho.
• Estudos de Ablação: A remoção de qualquer um dos três componentes principais (desacoplamento de fatores de confusão, perfilamento transitório ou portão adaptativo) leva à degradação do desempenho, confirmando a necessidade de cada módulo.
• Interpretabilidade: As conexões de andaimagem identificadas alinham-se com achados neurobiológicos conhecidos no TEA (por exemplo, circuitos tálamo-corticais, de saliência e estriatais), sugerindo que o modelo captura padrões biologicamente significativos e reproduzíveis entre sites, em vez de artefatos específicos de cada site.
• Eficiência: O CORE demonstra eficiência competitiva no treinamento e menor consumo de memória de GPU em comparação com bases de comparação mais pesadas, como BrainOOD e BrainNetTF, devido ao seu foco em um grafo de nível de andaimagem compacto.

Significado

O artigo afirma que o CORE fornece uma mudança necessária na forma como a análise de redes cerebrais entre sites é abordada. Ao desacoplar explicitamente fatores de confusão condicionados ao site e modelar dinâmicas transitórias sobre uma andaimagem populacional estável, o CORE aborda o problema de "aprendizado de atalhos" que aflige os métodos OOD atuais. O framework oferece uma solução unificada que não sacrifica a variabilidade específica do sujeito pela generalização entre sites, permitindo diagnósticos assistidos por computador mais confiáveis em cenários clínicos do mundo real e multi-sítio. Os autores posicionam este trabalho como um passo em direção a uma IA de neuroimagem robusta e generalizável capaz de lidar com a heterogeneidade inerente aos dados de múltiplos centros.