Resumo Técnico: Além da Augmentação: Prior Patológico Guiado por Score para Detecção de Depressão baseada em EEG

1. Declaração do Problema

A detecção do Transtorno Depressivo Maior (TDM) utilizando Eletroencefalografia (EEG) é fundamentalmente limitada pelo dilema das amostras pequenas, onde conjuntos de dados clínicos tipicamente contêm menos de 100 sujeitos. Para lidar com a escassez de dados, os métodos predominantes dependem da augmentação generativa de dados (ex: GANs, Modelos de Difusão) para sintetizar pseudoamostras. No entanto, os autores argumentam que essa abordagem introduz falhas metodológicas fatais:

• Ruído Sintético: A síntese direta de sinais de EEG brutos, de alta dimensão e não estacionários, resulta em severas distorções morfológicas e artefatos de alta frequência.
• Desvio de Distribuição: As amostras geradas exibem um forte desvio de distribuição ($\Delta\sigma = 0,73$) em relação ao manifold de dados autênticos, falhando em preservar propriedades estatísticas intrínsecas.
• Desfoque de Fronteiras: Em vez de afiar as fronteiras de classificação, a augmentação ruidosa injeta correlações espúrias, fazendo com que os modelos memorizem o ruído sintético em vez de biomarcadores clinicamente significativos.
• Heterogeneidade de Hardware: A implantação no mundo real é dificultada por configurações de eletrodos variadas (ex: 19 vs. 128 canais) entre centros clínicos, as quais os modelos padrão não conseguem generalizar sem um retreinamento custoso.

2. Metodologia: Classificação Guiada por Score (SGC)

Os autores propõem a Classificação Guiada por Score (SGC), um framework que muda o paradigma de "geração de amostras" para "mineração de priors". Em vez de sintetizar novos dados, o SGC utiliza uma arquitetura generativa não supervisionada para modelar os graus de anomalia estrutural e estatística das amostras, servindo como um prior patológico determinístico e livre de ruído.

Arquitetura Central

O framework opera através de uma arquitetura de fluxo duplo:

A. Fluxo Não Supervisionado (Modelagem de Prior Patológico)

Treinado exclusivamente em dados de Controle Saudável (HC) para ancorar o manifold intrínseco da dinâmica cerebral normal, este fluxo consiste em dois modelos complementares:

1. VQ-VAE (Autoencoder Variacional Quantizado por Vetores): Modela a morfologia estrutural discreta dos sinais saudáveis. Ele aprende um conjunto finito de "átomos de base saudáveis" (codebook). O erro de reconstrução ($L'_{VQ}$) quantifica os desvios estruturais.
2. DDPM (Modelo Probabilístico de Difusão de Denoising): Modela a distribuição probabilística contínua do ruído de fundo. A perda de difusão ($L'_{Diff}$) quantifica os desvios estatísticos no background estocástico.

Estes modelos são congelados após o treinamento nos dados HC. Para qualquer entrada, eles computam um score de anomalia composto $S$:
$$S = \alpha L'_{VQ} + (1 - \alpha) L'_{Diff}$$
onde $\alpha=0,7$ prioriza o erro estrutural. Este score é robustamente normalizado (usando os percentis 5º e 95º) para produzir um prior limitado $S' \in [0, 1]$.

B. Fluxo Supervisionado (Fusão de Características e Classificação)

Este fluxo processa segmentos de EEG recebidos (tanto MDD quanto HC) através de três estágios:

1. Adaptação Espacial Cross-eletrodo: Para lidar com a heterogeneidade de hardware, sinais de alta densidade arbitrários são projetados em um layout padronizado de 19 eletrodos (sistema Internacional 10-20) usando Interpolação de Spline Esférica. Isso permite transferência zero-shot sem retreinamento arquitetural.
2. Extrator de Características Híbrido: Um 1D-CNN captura características morfológicas temporais locais, seguido por um Encoder Transformer para modelar dependências globais de longo alcance, produzindo um vetor de características profundas $F_{deep}$.
3. Fusão de Características Guiada por Score: O score de anomalia normalizado $S'$ é explicitamente concatenado com $F_{deep}$ antes do classificador MLP final. Isso funde a representação profunda com o prior patológico, calibrando dinamicamente a fronteira de decisão.

Estratégia de Treinamento

Para mitigar o overfitting em regimes de amostras pequenas, os autores empregam:

• Cosine Annealing para o agendamento da taxa de aprendizado.
• Label Smoothing para evitar excesso de confiança.
• Configuração de Zero-Augmentation: O modelo é treinado sem gerar nenhuma amostra sintética.

3. Principais Contribuições

1. Framework Livre de Augmentação: O SGC redefine a utilidade generativa ao modelar uma linha de base normativa em vez de alucinar sinais brutos, contornando efetivamente os riscos de injeção de ruído sintético.
2. Dual-Stream Pathological Prior: Ao sinergizar a quantização estrutural (VQ-VAE) e a difusão probabilística (DDPM), o método constrói um score de anomalia abrangente que captura tanto distorções morfológicas quanto desvios estatísticos.
3. Generalização Independente de Hardware: A estratégia de mapeamento de topologia espacial proposta resolve incompatibilidades de eletrodos entre coortes, permitindo transferência zero-shot contínua entre conjuntos de dados com diferentes configurações de canais.

4. Resultados Experimentais

Os experimentos foram conduzidos nos conjuntos de dados Mumtaz2016 (19 eletrodos, 34 MDD/30 HC) e MODMA (128 eletrodos, 24 MDD/29 HC).

• Desempenho de Estado da Arte: No Mumtaz2016, o SGC alcançou 95,19% de acurácia, superando modelos tradicionais de deep learning (ex: DeprNet: 89,84%) e o melhor método de augmentação generativa, DiffMDD (93,85%).
• Generalização Zero-Shot: Em uma avaliação cross-dataset (treinando no Mumtaz2016, testando no MODMA sem fine-tuning), o SGC manteve 78,50% de acurácia. Em contraste, modelos SOTA existentes sofreram degradação catastrófica (ex: GC-GRU caiu para 55,40%, DiffMDD para 68,34%).
• Segurança Clínica: O SGC alcançou um Recall de 75,34% na transferência zero-shot, superando significativamente os baselines (Recall $\le$ 61%). A análise da matriz de confusão mostrou que o SGC eliminou falsos negativos (diagnósticos perdidos) que assolavam os métodos de augmentação generativa.
• Estudos de Ablação:
  • A remoção de qualquer um dos fluxos (estrutural ou de distribuição) reduziu o desempenho, confirmando sua complementaridade.
  • Substituir a fusão ao nível de característica pela fusão ao nível de decisão causou uma queda significativa no desempenho zero-shot (de 78,50% para 69,69%), provando a necessidade de injetar o prior como uma característica.
  • Comparações com heurísticas generativas avançadas (Hard Negative Mining, Artifact Cleaning) mostraram que a abordagem de mineração de prior do SGC supera fundamentalmente a síntese de amostras.

5. Significância e Alegações

O artigo afirma que a convenção predominante de "quantidade-de-dados-primeiro" na análise de EEG é falha porque os dados sintéticos introduzem artefatos que desfocam as fronteiras de decisão. Ao mudar o foco para a integridade da característica sobre a quantidade sintética, o SGC demonstra que:

• Priors Patológicos Explícitos são mais robustos do que a augmentação generativa para aprendizado de poucos disparos (few-shot learning).
• O Score de Anomalia serve como um mecanismo poderoso e livre de ruído para guiar classificadores, isolando efetivamente biomarcadores genuínos da variância de fundo.
• A Independência de Hardware pode ser alcançada através de projeção geométrica, tornando o sistema viável para implantação clínica multicêntrica sem necessidade de retreinamento.

Os autores concluem que o SGC estabelece uma via diagnóstica confiável para séries temporais médicas complexas, priorizando a extração de manifolds patológicos invariantes sobre a geração de dados sintéticos potencialmente enganosos. O trabalho futuro é identificado como a integração de Adaptação de Domínio Não Supervisionada (UDA) para estreitar ainda mais as heterogeneidades de hardware.