Shared hidden-factor information framework for multiple behavioral tasks

Resumo Técnico: Estrutura de Informação de Fator Oculto Compartilhado para Múltiplas Tarefas Comportamentais

Enunciado do Problema
A compreensão dos processos cognitivos no transtorno depressivo maior (TDM) geralmente depende da análise de tarefas comportamentais de forma isolada. Essa abordagem ignora correlações potenciais e estruturas latentes compartilhadas entre diferentes tarefas realizadas pelos mesmos indivíduos. Métodos existentes, como analisar a Tarefa de Recompensa Probabilística (PRT) e a Tarefa Flanker (FT) separadamente, falham em aproveitar dependências entre tarefas, potencialmente perdendo mecanismos cognitivos compartilhados e reduzindo a eficiência da estimação. Além disso, modelar essas tarefas conjuntamente apresenta desafios estatísticos significativos: a necessidade de integrar sobre variáveis latentes de alta dimensão e dependentes temporalmente (estados de decisão ao nível do ensaio) e fatores latentes específicos do sujeito, o que torna a estimação direta de máxima verossimilhança e os algoritmos clássicos de Esperança-Maximização (EM) computacionalmente inviáveis.

Metodologia
Os autores propõem a Estrutura de Informação de Fator Oculto Compartilhado para Múltiplas Tarefas Comportamentais (SHIFT), uma abordagem de modelagem conjunta projetada para facilitar a transferência de conhecimento entre tarefas, ao mesmo tempo em que acomoda a heterogeneidade individual.

1. Arquitetura do Modelo:

   • Dinâmicas de Tarefa Única (SPLIT): Dentro de cada tarefa $k$, a estrutura utiliza uma mistura de Modelos de Difusão com Deriva (DDMs) acoplados a um Modelo de Markov Oculto (HMM). O HMM captura a alternância de estratégias latentes (por exemplo, "engajado" vs. "desatento" na PRT; "focado" vs. "reduzido" na FT) entre ensaios. Os DDMs modelam o acúmulo de evidências para a tomada de decisão, incorporando histórico de estímulos e recompensas.
   • Modelagem Conjunta (SHIFT): Para conectar múltiplas tarefas ($K$), o SHIFT introduz um modelo de fator generalizado. Fatores latentes específicos do sujeito $f_i$ são compartilhados entre tarefas para capturar dependências entre tarefas. Parâmetros específicos da tarefa $\theta_{ik}$ (por exemplo, taxas de deriva, separação de limites) são vinculados a esses fatores por meio de um modelo linear: $g_k(\theta_{ik}) = \mu_k + \Gamma_k^\top X_i + \Psi_k^\top f_i$.
   • Particionamento de Parâmetros: A estrutura distingue entre parâmetros destinados ao compartilhamento (por exemplo, separação de limites e viés inicial) e aqueles que são inerentemente específicos da tarefa. As cargas fatoriais são restritas para que os fatores latentes influenciem apenas o bloco de parâmetros compartilhados, prevenindo compartilhamentos espúrios.

2. Algoritmo de Estimação (EM-VA):

   • Devido à intratabilidade da verossimilhança observada (que requer integração sobre estados latentes de alta dimensão), os autores desenvolvem um algoritmo de Esperança-Maximização com Aproximação Variacional (EM-VA).
   • Inferência Variacional: A distribuição posterior verdadeira das variáveis latentes é aproximada por um substituto tratável $q(U_i, f_i)$.
   • Campo Médio Parcial Estruturado: Diferentemente de aproximações de campo médio padrão que assumem independência total, o SHIFT emprega uma aproximação estruturada que preserva a dependência condicional entre fatores ao nível do sujeito ($f_i$) e estados latentes ao nível do ensaio ($U_i$). Especificamente, $q(f_i)$ é modelado como uma Gaussiana, enquanto $q(U_i | f_i)$ é aproximado usando estimativas de plug-in derivadas da iteração anterior, permitindo computação eficiente por meio de recursões forward-backward (algoritmo de Baum-Welch).
   • Otimização: O algoritmo maximiza o Limite Inferior da Evidência (ELBO) alternando entre a atualização de parâmetros variacionais (etapa E) e parâmetros do modelo (etapa M), usando ascensão coordenada e quadratura de Gauss-Hermite para integração numérica.

Principais Contribuições

• Desenvolvimento da Estrutura: O SHIFT estende a análise fatorial e o compartilhamento rígido de parâmetros (comum em redes neurais) para o domínio de dados comportamentais sequenciais, modelando explicitamente tanto a dependência temporal dentro das tarefas quanto as correlações entre tarefas.
• Inovação Algorítmica: O artigo introduz um algoritmo EM-VA estruturado que lida com a complexidade dual de estados latentes dependentes do ensaio e fatores compartilhados ao nível do sujeito, sem exigir integração de alta dimensão ou quebrar dependências temporais.
• Tratamento da Identificabilidade: Os autores abordam a não identificabilidade do modelo de fator latente por meio de uma transformação post-hoc (decomposição QR e reescalonamento) que recupera um sistema de coordenadas comum sem alterar a verossimilhança.

Resultados

• Estudos de Simulação:
  • Em cenários com estruturas compartilhadas, o SHIFT demonstrou precisão e eficiência de estimação substancialmente superiores em comparação com a modelagem de tarefas separadas (SPLIT). O SPLIT subestimou severamente parâmetros (por exemplo, taxas de aprendizado na PRT, taxas de deriva na FT) e exibiu alto viés relativo nos parâmetros de transição do HMM.
  • O SHIFT recuperou com sucesso a distribuição de parâmetros compartilhados específicos do sujeito, enquanto o SPLIT estimou apenas contrapartes ao nível da população.
  • Em cenários sem estruturas compartilhadas, o SHIFT performou de forma comparável ao SPLIT, indicando robustez mesmo quando a suposição de compartilhamento não é estritamente atendida.
  • O método mostrou robustez a má especificação do modelo e erro de medição em simulações adicionais.
• Aplicação no Estudo EMBARC:
  • Aplicado a 183 sujeitos (31 controles saudáveis, 152 com TDM) realizando PRT e FT.
  • Descobertas Comportamentais: Participantes com TDM mostraram menor engajamento na PRT e foco reduzido na FT em comparação com controles. Quando engajados/focados, participantes com TDM exibiram tempos de resposta (RTs) mais longos do que controles. No estado "desatento", ambos os grupos mostraram RTs consistentes com chute aleatório.
  • Modulação pelo Tratamento: Embora os RTs observados não tenham previsto resposta ao tratamento, os parâmetros compartilhados recuperados pelo SHIFT mostraram padrões sugestivos de modulação pelo tratamento (p < 0,05) para a FT, indicando potencial como marcadores comportamentais exploratórios.
  • Associações com Neuroimagem: O segundo fator latente foi significativamente associado a múltiplas medidas de neuroimagem e comportamentais (por exemplo, fMRI de tarefa de conflito emocional, sinais de fMRI em repouso e tarefas de fluência verbal) após correção para comparações múltiplas.

Significância e Alegações
O artigo afirma que o SHIFT fornece uma solução principial e eficiente para a modelagem conjunta de múltiplas tarefas comportamentais, superando as barreiras computacionais da estimação conjunta tradicional. Ao aproveitar informações compartilhadas, a estrutura melhora a precisão da estimação de parâmetros cognitivos individuais, o que é crítico para abordar a heterogeneidade de pacientes na pesquisa em saúde mental. Os autores enfatizam que suas descobertas sobre modulação pelo tratamento são exploratórias e geradoras de hipóteses, não confirmatórias. Eles posicionam o SHIFT como uma ferramenta para identificar construtos latentes que podem servir como biomarcadores para resultados terapêuticos, alinhando-se com o quadro de Critérios de Domínio de Pesquisa (RDoC) do Instituto Nacional de Saúde Mental. Os autores também observam que, embora o método seja computacionalmente intensivo, oferece uma alternativa escalável aos métodos de EM Monte Carlo e sugere direções futuras envolvendo inferência variacional estocástica e estados atencionais contínuos.