Resumo Técnico: Da Persistência à Sobrevivência (STRAND)

Declaração do Problema

A Análise de Dados Topológicos (TDA) utiliza a homologia persistente para extrair descritores baseados em forma de dados, gerando diagramas de persistência (PDs). Embora os PDs capturem efetivamente características topológicas (componentes conexos, loops, vazios) através de escalas, eles apresentam dois desafios significativos para os praticantes:

1. Falta de Estatística Confirmatória: Os métodos existentes para comparar PDs são amplamente descritivos. Há uma escassez de testes de hipóteses fundamentados que possam confirmar diferenças topológicas entre grupos com erro do Tipo I calibrado e alto poder estatístico, particularmente quando os tamanhos de amostra (número de diagramas) são pequenos.
2. Incompatibilidade com Aprendizado de Máquina: Os PDs são multiconjuntos de cardinalidade variável, tornando-os incompatíveis com algoritos padrão de aprendizado de máquina que exigem entradas vetoriais de dimensão fixa.
3. Ferramentas Desconectadas: As soluções atuais abordam esses problemas separadamente. Métodos de vetorização (ex: Imagens de Persistência, Paisagens) permitem a classificação, mas carecem de capacidades de inferência estatística. Por outro lado, métodos de teste de hipóteses (ex: testes de permutação em distâncias de Wasserstein) geram p-valores, mas falham em fornecer tamanhos de efeito interpretáveis, localização de diferenças ou uma representação unificada para predição subsequente. Isso força os praticantes a usar ferramentas separadas para inferência e predição, quebrando o elo interpretativo entre características significativas e características preditivas.

Metodologia: STRAND

Os autores introduzem o STRAND (Survival Topological Representation ANalysis of Diagrams), um framework que unifica o teste de hipóteses e a vetorização ao mapear diagramas de persistência para dados de sobrevivência.

Conceito Central: Persistência como Sobrevivência

O STRAND trata o valor de persistência $p = d - b$ de cada característica topológica (onde $b$ é o nascimento e $d$ é a morte) como um "tempo até o evento" totalmente observado.

• A Função de Sobrevivência da Persistência: O objeto central é definido como $S(t) = P(p > t)$, representando a probabilidade de uma característica escolhida aleatoriamente persistir além da escala de filtração $t$.
• Estimação: Para uma coleção de diagramas, o STRAND emprega o estimador de Kaplan-Meier para computar a função de sobrevivência empírica $\hat{S}(t)$ e o estimador de Nelson-Aalen para o risco cumulativo. Ele acomoda a estrutura de "entrada tardia" dos PDs (características são observáveis apenas entre o nascimento e a morte) via truncamento à esquerda.

Componentes Principais

1. Teste de Hipóteses (Seção 3.2):

   • O STRAND compara dois grupos de PDs testando a hipótese nula $H_0: S_A(t) = S_B(t)$ contra a alternativa de que eles diferem para algum $t$.
   • Utiliza o teste de log-rank, um estatístico não paramétrico que compara eventos observados versus esperados sob a hipótese nula.
   • Tamanhos de Efeito: Diferente de métodos que geram apenas p-valores, o STRAND fornece tamanhos de efeito interpretáveis, incluindo razões de risco (hazard ratios, sob suposições de riscos proporcionais) e diferenças de mediana de persistência ($\Delta_{med}$), juntamente com intervalos de confiança de bootstrap. Também localiza diferenças ao longo do eixo de persistência usando curvas de Kaplan-Meier.

2. Vetorização (Seção 3.3):

   • A mesma função de sobrevivência $\hat{S}(t)$ usada para o teste é discretizada em uma grade fixa para produzir um vetor de características de dimensão fixa.
   • Estabilidade: É provado que o vetor resultante é estável em 1-Wasserstein. O Teorema 3.1 estabelece que a distância entre os vetores STRAND é limitada pela distância 1-Wasserstein entre os diagramas de entrada, garantindo robustez a ruídos e pequenas perturbações.
   • Eficiência: O método produz vetores de baixa dimensão (ex: 50–100 características) comparado a alternativas de alta dimensão como Imagens de Persistência, reduzindo custos computacionais para classificadores subsequentes.

Principais Resultados

1. Validação Estatística (Manifolds Sintéticos)

• Controle de Erro do Tipo I: Experimentos em manifolds sintéticos (toro 4D, garrafa de Klein, esfera 3D) com ruído controlado mostram que o STRAND mantém taxas de erro do Tipo I calibradas consistentes com o $\alpha$ nominal de $0,05$, mesmo na presença de correlações dentro do diagrama (elder rule).
• Poder Estatístico: O STRAND demonstra alto poder com tamanhos de amostra muito pequenos. Em dados de toro 4D, atinge $>90\%$ de poder com tão somente dois diagramas por grupo, ao alavancar a abundância de características topológicas dentro de cada diagrama.
• Detecção de Sinal: O método distingue com sucesso o sinal (manifold) das características de ruído, com p-valores de log-rank consistentemente abaixo de $0,05$ em regimes de probabilidade de sinal.

2. Benchmarks de Classificação

• Desempenho: O STRAND foi avaliado em 14 conjuntos de dados (10 conjuntos de grafos do TU Dortmund e 4 conjuntos de nuvens de pontos 3D).
  • Em conjuntos de dados de grafos, o STRAND alcançou acurácia competitiva (média de 61,5%), comparável a vetorizações de estado da arte como Imagens de Persistência (PI) e Sliced Wasserstein Kernel (SWK).
  • Em conjuntos de dados de nuvens de pontos 3D, o STRANG alcançou a maior acurácia média (79,5%), superando a PI (76,7%) e outros baselines, com margens significativas em conjuntos de dados multiclasse complexos.
• Eficiência Computacional: O STRAND oferece uma redução massiva na dimensionalidade das características (30–85$\times$ menor que Imagens de Persistência) e no tempo computacional. Para grandes conjuntos de dados (ex: ModelNet10), métodos baseados em kernel tornaram-se inviáveis devido à complexidade $O(N^2)$, enquanto o STRAND permaneceu tratável.

3. Estudo de Caso: Conectividade Cerebral no Autismo

• Aplicado ao conjunto de dados ABIDE para comparar a conectividade cerebral funcional entre crianças (<13) e adultos ($\ge$18).
• O STRAND detectou diferenças de desenvolvimento significativas nas estruturas de loops ($H_1$) através de três atlas cerebrais, quantificando o efeito com razões de risco ($HR > 1$, indicando menor persistência em crianças).
• Ao contrário dos métodos de baseline que fornecem apenas p-valores, o STRAND revelou que a magnitude do efeito (HR) variou com a resolução da parcelação, fornecendo uma caracterização matizada e interpretável do desenvolvimento topológico.

Significância e Alegações

O artigo afirma que o STRAND é o primeiro método a fornecer teste de hipóteses, tamanhos de efeito interpretáveis e vetorização estável para diagramas de persistência a partir de uma única representação coerente.

• Unificação: Ele une a lacuna entre inferência estatística e aprendizado de máquina, garantindo que as características que impulsionam a predição sejam as mesmas testadas para significância.
• Interpretabilidade: Ao alavancar a maquinaria de análise de sobrevivência, o STRAND vai além de p-valores escalares para oferecer localização de diferenças (via curvas de Kaplan-Meier) e quantificação da magnitude do efeito (via razões de risco e diferenças de mediana).
• Utilidade Prática: O método é particularmente valioso em cenários que exigem estudos confirmatórios com amostras pequenas (ex: descoberta de fármacos, imagem biomédica), onde entender a magnitude e a direção das diferenças topológicas é tão crítico quanto sua existência.

Os autores mantêm modéstia quanto à suposição de riscos proporcionais, observando que, embora o teste de log-rank permaneça válido sem ela, a interpretação da razão de risco como um efeito resumo único requer essa suposição. Em casos de riscos não proporcionais, recomendam reportar as diferenças de mediana de persistência junto com as curvas de sobrevivência.