Brain-Atlas-Guided Generative Counterfactual Attention for Explainable Cognitive Decline Diagnosis Using Multimodal Connectomes

Resumo Técnico: Atenção Contrafactual Generativa Guiada por Atlas Cerebral para o Diagnóstico Explicável de Declínio Cognitivo

Definição do Problema
O comprometimento cognitivo leve (MCI) e o declínio cognitivo subjetivo (SCD) representam estágios críticos do continuum da doença de Alzheimer. O diagnóstico preciso e explicável é essencial para a intervenção precoce. Embora os modelos de aprendizagem profunda existentes que utilizam conectomas cerebrais (conectividade funcional [FC] e conectividade estrutural [SC]) tenham melhorado o desempenho da classificação, eles operam majoritariamente como "caixas pretas". Os métodos de explicação atuais (ex: Grad-CAM, SHAP) frequentemente fornecem insights pós-hoc condicionados ao rótulo, que falham em modelar explicitamente a transição entre estados cognitivos. Além disso, eles têm dificuldade em capturar as mudanças mínimas e relevantes para a doença necessárias para transformar um conectoma de origem (ex: Controle Saudável) em um conectoma de destino (ex: MCI), e frequentemente negligenciam a topologia estruturada e restrita pelo atlas das redes cerebrais.

Metodologia
O artigo propõe a Rede de Atenção Contrafactual Generativa (GCAN), um framework que formula o diagnóstico como um problema de geração contrafactual de origem para destino. O objetivo central é gerar um conectoma com o rótulo de destino a partir de uma entrada com o rótulo de origem e derivar um mapa de atenção a partir de suas diferenças.

1. Framework Contrafactual Generativo:

   • Geração de Origem para Destino: Dado um conectoma de origem $C_s$ com rótulo $y_s$, o gerador $G$ produz um conectoma de destino $C_g^t$ correspondente ao rótulo $y_t$.
   • Atenção Contrafactual: O mapa de atenção $A$ é definido como a diferença $C_g^t - C_s$. Valores positivos indicam conexões a serem reforçadas, enquanto valores negativos indicam conexões a serem suprimidas para alcançar o estado alvo.
   • Diagnóstico: O conectoma de entrada é reponderado por este mapa de atenção ($\tilde{C} = C \odot A$) antes de ser alimentado em um classificador diagnóstico downstream, forçando o modelo a focar em conexões relacionadas à transição da doença.

2. Transformer Bidirecional Consciente de Atlas (AABT):

   • Para preservar a topologia estruturada dos conectomas, os autores introduzem o AABT. Em vez de tratar a matriz de conectividade como uma imagem plana, o AABT decompõe o conectoma em sub-redes baseadas em um atlas cerebral (ex: DMN, FPN, CON).
   • Ele realiza a codificação de tokens por rede e a decodificação inversa de tokens, garantindo que o processo de geração respeite as estruturas de rede locais enquanto modela dependências de longo alcance.

3. Modelagem Conjunta Multimodal (FC–SC):

   • O framework é estendido para modelar conjuntamente a conectividade funcional (FC) e estrutural (SC).
   • Um AABT cross-modal processa FC, SC e seus mapas de características simultaneamente.
   • Funções de Perda: O gerador multimodal é otimizado usando perdas de reconstrução, classificação e perceptual. Crucialmente, inclui uma perda de consistência cross-modal para incentivar transformações de estrutura-função coordenadas, mas não idênticas, e uma perda de sobreposição de atenção para penalizar a sobreposição espacial entre as respostas regionais positivas (reforçadas) e negativas (suprimidas).
   • Estratégia de Pré-treinamento: Para fornecer priors de estado de destino sem vazamento de dados, classificadores de FC e SC específicos de modalidade são pré-treinados em conjuntos de dados auxiliares (SLIM para FC, BJE para SC) e usados para guiar a geração de conectomas de rótulo de destino. Esses modelos pré-treinados são separados do classificador diagnóstico downstream final.

Principais Contribuições

• Atenção Contrafactual Generativa: O artigo introduz um framework que identifica explicitamente as mudanças de conexão relevantes para a doença ao gerar conectomas de estado de destino e analisar as diferenças, oferecendo uma interpretação orientada à transição em vez de importância de característica estática.
• Arquitetura Consciente de Atlas: O design do AABT permite a geração de conectomas estruturados que aderem a partições conhecidas de redes cerebrais, preservando a topologia global e a organização de sub-redes locais.
• Raciocínio Estrutura-Função Multimodal: A extensão para a modelagem conjunta FC–SC permite capturar reorganizações funcionais complementares e mudanças na topologia estrutural, fornecendo uma visão mais abrangente do declínio cognitivo.
• Avaliação Rigorosa: O estudo inclui experimentos extensos em conjuntos de dados hospitalares e do ADNI, cobrindo configurações de modalidade única (FC) e multimodal (FC–SC). Apresenta análises abrangentes, incluindo visualização de conectoma circular, avaliação da qualidade de síntese de matriz (PSNR, SSIM, correlação), intervalos de confiança por fold e estudos de ablação.

Resultados

• Desempenho Diagnóstico: Em experimentos de modalidade única (FC), o GCAN alcançou um desempenho competitivo em tarefas de HC vs. SCD, HC vs. MCI e SCD vs. MCI, frequentemente superando modelos de linha de base como CNN, ResNet e Transformers. Por exemplo, no conjunto de dados hospitalar para HC vs. SCD, o GCAN alcançou uma acurácia de 0,933 e um F1-score de 0,929.
• Desempenho Multimodal: Em configurações multimodais, os modelos baseados em atenção contrafactual mostraram, em geral, tendências favoráveis, particularmente na tarefa HC vs. SCD. No entanto, os autores observam que os desvios padrão foram relativamente grandes em algumas tarefas (ex: HC vs. MCI), e as comparações par a par por fold não atingiram significância estatística em todos os casos, sugerindo a necessidade de coortes pareadas maiores.
• Interpretabilidade: A visualização dos mapas de atenção contrafactual revelou padrões esparsos e biologicamente plausíveis concentrados em redes cognitivas de alto nível (DMN, FPN, CON, SEN). Mapas positivos e negativos distinguiram entre conexões reforçadas e suprimidas.
• Comparação com CAMs: Comparado ao Grad-CAM e Score-CAM, a atenção contrafactual proposta produziu padrões de conectividade mais estruturados, específicos de transição e com sinal definido, enquanto os métodos baseados em CAM produziram padrões de ativação mais difusos.
• Qualidade de Síntese: Métricas quantitativas (PSNR, SSIM, correlação) indicaram que as matrizes FC e SC geradas retiveram uma estrutura global razoável e fidelidade de borda, embora a síntese de SC tenha sido observada como mais desafiadora devido à sua topologia esparsa.

Significância e Alegações
O artigo afirma que o GCAN representa um passo significativo em direção à IA explicável em neuroimagem, ao mudar da atribuição de características estáticas para o raciocínio dinâmico orientado à transição. Ao modelar explicitamente o cenário "e se" da transformação de um cérebro saudável em um cérebro doente, o framework fornece insights sobre as mudanças específicas de conectividade que impulsionam o declínio cognitivo.

Os autores mantêm uma postura modesta em relação às suas alegações:

• Eles enfatizam que as redes destacadas são consistentes com mecanismos conhecidos de neurodegeneração, mas que o método fornece explicações baseadas no modelo, não evidência clínica direta de causalidade da doença.
• Eles reconhecem limitações, incluindo o tamanho relativamente pequeno dos conjuntos de dados pareados FC–SC, o uso de priors de nível de grupo que podem perder trajetórias individuais de sujeitos e a falta de validação longitudinal.
• Concluem que, embora os resultados sejam promissores e apoiem a utilidade do raciocínio contrafactual para o diagnóstico interpretável, é necessária mais validação com coortes maiores, multicêntricas e longitudinais para confirmar a robustez estatística e a validade biológica.