Literature-Guided Minimax Optimization of Virtual Epilepsy Neurostimulation

Resumo Técnico: Otimização Minimax Guiada por Literatura para Neuroestimulação Virtual de Epilepsia

Definição do Problema
Modelos computacionais de epilepsia oferecem um caminho para o design de tratamentos personalizados para pacientes, mas os fluxos de trabalho de otimização padrão geralmente visam o desempenho médio. Na neuromodulação, essa abordagem é clinicamente frágil; um protocolo que melhora a resposta média pode ainda assim falhar catastroficamente em pacientes cujas redes neurais são menos tolerantes à estimulação. O desafio é projetar um framework de otimização que priorize a robustez — especificamente, evitar a falha catastrófica no pior caso de paciente virtual — enquanto navega em um espaço de busca que inclui parâmetros contínuos, alvos anatômicos discretos e priors mecanísticos derivados da literatura. A busca exaustiva é frequentemente combinatoriamente impraticável quando se considera formas de onda, montagens de eletrodos, frequências e estados de pacientes.

Metodologia
O artigo propõe um "pipeline minimax guiado por literatura" que integra três componentes distintos:

1. Mineração de Literatura: Um corpus de 136 artigos do PubMed sobre epilepsia, gêmeos digitais e neuroestimulação é processado por um Modelo de Linguagem de Grande Escala (LLM) para extrair 1.080 lacunas de pesquisa e hipóteses estruturadas. Estas são agrupadas e pontuadas por novidade, viabilidade e impacto clínico para guiar a direção da busca.
2. Motor de Simulação: A plataforma The Virtual Brain (TVB), utilizando o modelo de sistema dinâmico Epileptor em um conectoma de 76 regiões, serve como o avaliador de recompensa. Pacientes virtuais são gerados perturbando parâmetros do modelo (ex: força de acoplamento, epileptogenicidade) ou matrizes de conectividade para simular variabilidade biológica.
3. Otimização Minimax: A função objetivo é definida como a maximização da pior recompensa (worst-case reward) através de uma coorte amostrada de pacientes virtuais. A recompensa é a variância negativa da atividade de convulsão simulada (menor variância = maior recompensa).
   • Controle Intrínseco: O otimizador ajusta parâmetros internos do modelo (epileptogenicidade $x_0$ e acoplamento linear $K$).
   • Estimulação Externa: O otimizador propõe protocolos clinicamente interpretáveis, especificamente um aumento de corrente aditivo ($b$) aplicado a uma única região cerebral ($s$).
   • Estratégia de Busca: Um LLM atua como um gerador de hipóteses, propondo candidatos de parâmetros baseados na literatura e no histórico anterior de simulação. Isso é contrastado e calibrado contra baselines de otimização Bayesiana e busca aleatória.

Principais Contribuições

1. Arquitetura de Pipeline: Um fluxo de trabalho reprodutível que vincula mineração de literatura em escala PubMed, simulação de Epileptor no TVB e busca minimax guiada por LLM.
2. Controle Intrínseco Robusto: Demonstração de que o pipeline consegue identificar um regime dinâmico robusto (menor epileptogenicidade, acoplamento ligeiramente maior) que melhora significativamente os resultados no pior caso em coortes de pacientes virtuais.
3. Teste de Estresse Translacional: Uma avaliação abrangente da estimulação externa, incluindo um experimento de paisagem "all-region" (760 candidatos) para calibrar propostas de LLM contra uma verdade fundamental (ground truth) passível de busca em grade (grid-searchable).
4. Disponibilidade de Artefatos: Um ensaio de pesquisa estático aberto, código-fonte e artefatos de resultados projetados para inspeção independente, enfatizando que o LLM é um motor de proposta, não um tomador de decisão clínica.

Resultos

• Controle Intrínseco: A otimização via LLM de parâmetros intrínsecos ($x_0, K$) alcançou uma melhoria de 39,8% na pior recompensa (de −0,5285 para −0,3182) em comparação com o baseline. Essa melhoria foi mantida em coortes de teste e de controle (30 pacientes), confirmando a robustez do regime identificado.
• Estimulação Externa (Restrita): Quando restrito a um aumento de corrente em uma única região, o melhor protocolo selecionado pelo LLM (aumento de baixa intensidade no hipocampo direito, $b=0,6$) rendeu uma melhoria modesta de 1,7% na pior recompensa.
• Calibração de Paisagem: Em uma busca em grade completa de 760 candidatos (76 regiões $\times$ 10 intensidades), o protocolo do hipocampo direito selecionado pelo LLM classificou-se em quarto lugar geral, ficando apenas 0,0082 unidades de recompensa abaixo do ótimo da grade. Isso sugere que a proposta guiada pela literatura conseguiu atingir com sucesso regiões de alto desempenho sem a necessidade de busca exaustiva.
• Heterogeneidade: Em uma coorte virtual de 20 pacientes, o protocolo selecionado do hipocampo direito não mostrou benefício agregado ($p=0,9019$). No entanto, revelou forte heterogeneidade ao nível do paciente: 11 pacientes melhoraram enquanto 9 pioraram. A estratificação sugeriu potenciais benefícios para pacientes de rede temporal, mas efeitos neutros ou adversos para outros.
• Topologia vs. Literatura: O alvo ideal (hipocampo direito) não era um hub da rede no conectoma (grau 1), enquanto hubs pré-frontais possuíam conectividade muito maior. Isso indica que alvos eficazes podem ser mecanisticamente locais em vez de topologicamente centrais, desafiando heurísticas simples de direcionamento a hubs.

Significância e Alegações
O artigo enquadra explicitamente sua significância como uma validação metodológica, e não como um avanço clínico.

• Papel do LLM: Os autores alegam que o LLM serve como um "gerador de hipóteses eficiente em termos de amostragem" dentro de um loop de simulação. Não é um substituto para algoritmos de otimização ou uma fonte de verdade científica, mas um mecanismo para injetar priors derivados da literatura no espaço de busca para reduzir avaliações desperdiçadas em domínios de parâmetros nomeados e estruturados.
• Princípio da Robustez: O estudo operacionaliza o princípio de que otimizadores de neuroestimulação devem visar o "paciente que falha primeiro" (minimax) em vez do respondedor médio.
• Valor de Calibração: O trabalho demonstra que, em espaços de busca pequenos e auditáveis, propostas guiadas pela literatura podem ser validadas contra ótimos de grade. Os autores postulam que essa validação é crucial para construir confiança na aplicação desses motores de proposta em espaços de design maiores e não exaustivos, onde buscas em grade completas são inviáveis.
• Limitações: Os autores reconhecem que a coorte virtual é pequena e sintética, a função de recompensa é um proxy (variância de convulsão) em vez de um desfecho clínico, e o modelo de estimulação externa é uma abstração grosseira. Eles declaram claramente que o projeto não demonstra eficácia clínica nem valida um protocolo de estimulação específico para uso humano.