GMN4AD: Graph Matching Network for Alzheimer's Disease Diagnosis with Test-Time Domain Adaptation using Multi-centered Structure Magnetic Resonance Imaging

Resumo Técnico: GMN4AD para o Diagnóstico da Doença de Alzheimer

Definição do Problema
A Doença de Alzheimer (DA) é um transtorno neurodegenerativo progressivo onde o diagnóstico precoce, particularmente durante o estágio de Comprometimento Cognitivo Leve (CCL), é crítico para a intervenção. Embora a Ressonância Magnética Estrutural (sMRI) seja uma modalidade primária para detectar a atrofia cerebral relacionada à DA, as abordagens diagnósticas baseadas em grafos tradicionais enfrentam desafios significativos. Especificamente, os métodos existentes frequentemente tratam grafos cerebrais individuais de forma isolada, falhando em capturar relações complexas entre grafos. Além disso, esses métodos lutam contra a heterogeneidade de modalidades e de sítios. Diferenças nas configurações de scanners, protocolos de aquisição e características populacionais em conjuntos de dados multicêntricos (ex: ADNI, AIBL, OASIS) introduzem desvios de domínio que degradam o desempenho de generalização dos modelos treinados em dados de origem quando aplicados a domínios de destino.

Metodologia: GMN4AD
Os autores propõem o GMN4AD (Graph Matching Network for Alzheimer's Disease Diagnosis), um framework projetado para modelar interações entre grafos cerebrais heterogêneos, em vez de tratá-los como entidades isoladas. A metodologia consiste em três componentes principais:

1. Construção de Grafos a partir de sMRI:

   • Grafos cerebrais são construídos onde os nós representam Regiões de Interesse (ROIs) segmentadas pelo FreeSurfer, e as arestas codificam as relações espaciais entre os centroides das ROIs.
   • As características dos nós consistem em 113 descritores radiômicos extraídos dos volumes das ROIs, incluindo estatísticas de intensidade, propriedades geométricas e características de textura (GLCM, GLDM, GLRLM, GLSZM, NGTDM), juntamente com dados de coordenadas.

2. Correspondência Iterativa entre Grafos (Cross-Graph Matching):
   Ao contrário das Redes Neurais de Grafos (GNNs) padrão que processam um único grafo, o GMN4AD compara o grafo de um sujeito de teste contra um grafo de referência (ex: um paciente com DA confirmada). A rede compreende cinco módulos:

   • Incorporação de Características Intra-grafo: Utiliza Redes Convolucionais de Grafos (GCNs) e Perceptrons Multicamadas (MLPs) para agregar a topologia local e as informações de características dentro de um único grafo cerebral.
   • Incorporação de Características entre Grafos (Cross-graph): Um módulo iterativo que propaga informações entre dois grafos distintos ($G_1$ e $G_2$). Ele computa afinidades nó-a-nó usando um produto escalar ponderado e normalização de Sinkhorn para alinhar os nós entre os grafos, refinando as representações para capturar correspondências estruturais entre os sujeitos.
   • Extração de Características Globais: Uma operação de pooling (média das incorporações dos nós) resume cada grafo cerebral em um vetor compacto de dimensão fixa.
   • Medição de Similaridade de Grafos: A similaridade de cosseno entre os vetores agrupados dos grafos de teste e de referência quantifica o alinhamento estrutural. Uma pontuação de similaridade próxima a 1 indica que o sujeito de teste compartilha o status de DA da referência; uma pontuação próxima a 0 indica uma incompatibilidade.
   • Objetivo de Treinamento: O modelo é treinado usando perda de Entropia Cruzada Binária (BCE) em pares de grafos, onde o ground truth é 1 se ambos os grafos compartilham o mesmo rótulo diagnóstico (ex: ambos DA) e 0 caso contrário.

3. Adaptação de Domínio em Tempo de Teste (TTA):
   Para abordar desvios de domínio durante a inferência sem a necessidade de dados rotulados de destino, os autores introduzem uma estratégia de TTA não supervisionada:

   • Aprendizado Contrastivo: O modelo pré-treinado é ajustado nos dados de destino não rotulados usando uma perda de consistência contrastiva. Perturbações aleatórias de características (ruído Gaussiano e edge dropout) são aplicadas para gerar incorporações aumentadas.
   • Otimização: O modelo minimiza uma perda combinada ($\mathcal{L}_{TTA}$) que compreende perdas contrastivas de ambos os domínios de origem e destino. Apenas as camadas de convolução de grafo e de atenção entre grafos são atualizadas, enquanto outros parâmetros permanecem congelados. Isso alinha as representações do domínio de destino com o domínio de origem, melhorando a robustez.

Principais Contribuições

1. Diagnóstico Baseado em Correspondência de Grafos: O artigo introduz uma mudança de paradigma de modelar cérebros individuais como grafos independentes para uma abordagem de correspondência de grafos que compara explicitamente características entre diferentes grafos cerebrais para inferir o status de DA.
2. Adaptação de Domínio em Tempo de Teste: A integração do aprendizado contrastivo e da perda de reconstrução de grafo permite que o modelo se adapte a domínios de destino não vistos durante a inferência, mitigando a degradação de desempenho causada pela heterogeneidade inter-sítios.
3. Avaliação Abrangente: O framework é validado em três conjuntos de dados públicos (ADNI, AIBL, OASIS3) através de três tarefas diagnósticas (AD vs. CN, AD vs. MCI, MCI vs. CN), demonstrando robustez e generalização.

Resultos Experimentais

• Desempenho nos Domínios de Origem: No conjunto de dados ADNI, o GMN4AD alcançou uma acurácia de 92,37% para a classificação AD vs. CN, superando baselines de estado da arte, incluindo GCN, GAT, GIN e Aprendizado Indutivo de Características (FIL). Também demonstrou desempenho superior ou comparável nas tarefas AD vs. MCI e CN vs. MCI.
• Generalização Cross-Domain: Em experimentos cross-dataset (ex: treinamento no ADNI, teste no AIBL ou OASIS3), o GMN4AD potencializado por TTA superou consistentemente o baseline de Inferência Apenas de Origem (SOI) e outros métodos de adaptação de domínio como DAGE e MEMO. Por exemplo, na tarefa AD vs. CN no AIBL, o TTA melhorou a acurácia de 82,61% (SOI) para 85,86%.
• Interpretabilidade: Usando o explicador pareado ZORRO, o estudo identificou que características de textura e de intensidade de primeira ordem (ex: variância da GLSZM, assimetria) e características de coordenadas (indicando mudanças estruturais) foram as mais críticas. Ao nível do nó, regiões como os Vasos Cerebrais Direito/Esquerdo e Hipointensidades da Substância Branca foram consistentemente identificadas como altamente importantes, alinhando-se com a patologia vascular e da substância branca conhecidas na DA.

Significância e Alegações
O artigo afirma que o GMN4AD oferece uma solução robusta e generalizável para o diagnóstico de DA ao abordar efetivamente as limitações dos métodos tradicionais baseados em grafos. Ao alavancar a correspondência de grafos, o modelo captura relações estruturais intrincadas entre sujeitos que modelos de grafos independentes perdem. Além disso, a estratégia de adaptação de domínio em tempo de teste proposta permite que o modelo mantenha alta precisão diagnóstica através de diferentes centros médicos e protocolos de scanner sem exigir dados de destino rotulados. Os autores enfatizam que esta abordagem não apenas melhora a acurácia diagnóstica, mas também fornece interpretabilidade, destacando características radiômicas específicas e regiões cerebrais (particularmente estruturas vasculares e da substância branca) que impulsionam o diagnóstico, oferecendo assim insights sobre os mecanismos biológicos subjacentes à progressão da DA.