Resumo Técnico: Redes Bayesianas com Incorporação de Tempo Latente para Modelagem de Progressão da Doença de Alzheimer Sensível ao Estágio

1. Declaração do Problema

A progressão da doença de Alzheimer (DA) é tradicionalmente conceituada através da cascata amiloide–tau–neurodegeneração (AT(N)). No entanto, os modelos longitudinais existentes enfrentam duas limitações primárias:

1. Sequenciamento Fixo vs. Previsão de "Caixa-Preta": A maioria dos modelos trata a cascata AT(N) como uma sequência rígida e fixa de biomarcadores ou como uma tarefa de previsão de "caixa-preta". Isso obscurece quando as relações biologicamente guiadas influenciam a patologia regional futura.
2. Falta de Interpretação Estrutural Sensível ao Estágio: Embora os modelos de estadiamento de doenças alinhem indivíduos ao longo de eixos latentes, eles tipicamente falham em estimar efeitos direcionados posteriores que conectam perfis de biomarcadores iniciais ao acúmulo de tau regional posterior. Por outro lado, modelos de propagação biofísica assumem dinâmicas estacionárias, e modelos de aprendizado de máquina carecem de interpretabilidade biológica em relação aos mecanismos dependentes do estágio.

O desafio central é desenvolver um modelo que alinhe indivíduos pelo estágio da doença (sem usar resultados futuros), conecte perfis multimodais iniciais ao acúmulo de tau regional futuro e esclareça como as relações entre biomarcadores variam ao longo da linha do tempo da doença.

2. Metodologia: BN-LTE

Os autores propõem o BN-LTE (Bayesian Networks with Latent Time Embedding), uma estrutura bayesiana estrutural projetada para modelagem sensível ao estágio. A metodologia consiste em três componentes interligados:

A. Estimativa do Tempo de Doença Latente

O BN-LTE atribui a cada sujeito uma coordenada de estágio de doença escalar $Z_i \in [0, 1]$ derivada exclusivamente dos perfis de biomarcadores basais na visita índice.

• Abordagem Primária: Utiliza o componente principal de uma matriz de treinamento normalizada (via SVD) para mapear as pontuações para uma escala de pseudotempo [0, 1], orientada de tal forma que valores mais altos indiquem maior carga patológica. Crucialmente, esta estimativa exclui alvos de tau-PET regional e pTau217 para evitar vazamento de dados (data leakage).
• Variante Alternativa: Um modelo de tempo latente monotônico em AT(N) é avaliado, que estima trajetórias suaves para grupos de biomarcadores restritas por direcionalidade biológica e ordenação AT(N), servindo como uma auditoria mecanística do eixo de estadiamento linear.

B. Grafo de Transição Restrito por AT(N)

A estrutura define um grafo acíclico dirigido onde as dependências são restringidas por uma ordenação AT(N) biologicamente admissível:

• Camadas: As variáveis são ordenadas como $Root \prec Fluid \prec Pathology \prec Neurodegeneration \prec Clinical$.
• Estrutura: Variáveis raiz (idade, sexo, educação, APOE $\varepsilon$4) e biomarcadores fluídos atuam como potenciais pais. Variáveis clínicas são tratadas como sumidouros (sinks). O histórico regional próprio ($Y^0_{ij}$) é modelado separadamente.
• Fatoração: O modelo fatora a probabilidade de taxas de acúmulo de tau regional ($R_{ij}$) condicionada a medições basais, histórico próprio e o tempo de doença latente $Z_i$.

C. Equações Estruturais com Splines de Variação Posterior

Em vez de coeficientes fixos, o BN-LTe modela o efeito das variáveis pai sobre o acúmulo de tau como funções do tempo de doença.

• Equação: $R_{ij} = a_j(Z_i) + c_j(Z_i)Y^0_{ij} + b_j(Z_i)^\top X^0_{i, pa(j)} + \epsilon_{ij}$.
• Implementação: As funções de coeficiente ($a_j, c_j, b_j$) são expandidas usando bases de splines cúbicos. Isso permite que as relações entre biomarcadores se fortaleçam ou enfraqueçam suavemente ao longo da linha do tempo latente da doença.
• Inferência: A regressão bayesiana conjugada é usada para obter posteriors analíticos para as equações estruturais, quantificando a incerteza nas curvas de efeito e na atividade das arestas.

D. Previsão e Intervenção

O modelo prevê a carga de tau futura ($\hat{Y}^1_i$) e suporta intervenções implicadas pelo modelo via fórmula-g (g-formula). Ao substituir as variáveis pai por valores de referência dentro das equações estruturais ajustadas, o modelo estima mudanças dependentes do estágio nas taxas de acúmulo de tau.

3. Principais Contribuições

1. Rede de Transição Bayesiana Restrita por AT(N): Introduz uma estrutura onde os efeitos dos pais com splines de variação posterior caracterizam como as relações de biomarcadores evoluem através do tempo de doença latente, tratando a cascata AT(N) como um sistema estrutural variável no estágio e testável, em vez de uma sequência fixa.
2. Avaliação Abrangente: Avalia o BN-LTE em dados longitudinais de tau-PET do ADNI1 (541 participantes, 796 pares) com divisões de sujeitos repetidos e disjuntos. Inclui análise de robustez entre coortes no OASIS3 e comparações contra baselines de estado da arte abrangendo categorias biofísicas, de aprendizado de máquina, aprendizado profundo e aprendizado de grafos.
3. Descoberta de Mecanismos Dependentes do Estágio: Identifica empiricamente uma janela de sensibilidade ao amiloide de tempo-pseudotempo médio para o acúmulo de tau futuro. Este achado é validado através de contrastes de fórmula-g de posterior, AIPW (Pesagem de Probabilidade Inversa Aumentada) ajustada pela raiz, ablações sensíveis ao mecanismo e análises de robustez através de variações de spline e de priors.

4. Resultados Experimentais

Desempenho Quantitativo

• Reconstrução Espacial: No benchmark ADNI, o BN-LTE alcançou a melhor correlação de Spearman do mapa delta ($\rho_\Delta = 0,84$) e classificou-se em segundo lugar em Erro Médio Absoluto (MAE) e captura de progressão Top-3 entre 12 baselines.
• Comparação: O BN-LTE superou modelos de propagação biofísica fixos (ex: Modelo de Difusão de Rede) e baselines competitivos de aprendizado profundo/grafos na preservação da organização anatômica e da direção da mudança futura de tau.
• Robustez: No coorte menor OASIS3, as variantes do BN-LTE mantiveram sinais de progressão baseados em ranking competitivos, apesar de menos pares correspondentes e canais de biomarcadores ausentes.

Insights Mecanísticos

• Janela de Amiloide de Tempo-Pseudotempo Médio: O modelo identificou que a sensibilidade ao amiloide não é constante; ela atinge o pico durante o estágio médio da doença. Isso foi confirmado por:
  • Ablações: O uso de pseudotempo aleatório ou invertido enfraqueceu este sinal, enquanto a variante monotônica em AT(N) o preservou.
  • Contrastes de Intervenção: A redução de amiloide implicada pelo modelo produziu a maior redução de taxa no tempo-pseudotempo médio ($-0,0082$ SUVR/ano).
  • Validação Observacional: O AIPW estratificado por estágio mostrou a associação de amiloide observacional mais forte no estrato de tempo-pseudotempo médio (ATE 0,0366), alinhando-se com a janela de intervenção.
• Estabilidade: O sinal da janela de amiloide permaneceu positivo através de variações no tamanho da base de spline ($K_B=3-6$) e escalas de prior, embora tenha sido sensível à seleção de pais (vias biológicas).

Calibração

A calibração de incerteza variou com as suposições de estrutura residual (ex: diagonal por nó vs. baixo posto), mas as previsões de ponto (MAE, $\rho_\Delta$) permaneceram estáveis. O modelo mostrou cobertura confiável nos estágios inicial e médio, onde a sobreposição de amostras era suficiente.

5. Significância e Alegações

O artigo posiciona o BN-LTE como uma estrutura estrutural bayesiana que preenche a lacuna entre a previsão espacial e a interpretação mecanística na progressão da DA.

• Além das Caixas-Pretas: Diferente dos preditores supervisionados que otimizam apenas métricas de erro, o BN-LTE expõe modelos estruturais de efeitos de biomarcadores dependentes do estágio.
• Hipóteses Testáveis: Ao tratar a cascata AT(N) como um sistema computacionalmente testável, a estrutura gera hipóteses anatomicamente e biologicamente interpretáveis, especificamente sobre o tempo de influência do amiloide sobre o tau.
• Escopo Modesto: Os autores observam que o estrato de estágio tardio teve suporte de dados limitado (12 pares), impedindo conclusões definitivas sobre a dinâmica do estágio tardio. A principal contribuição é a demonstração de um sinal de progressão coerente no estágio médio e a capacidade metodológica de desmembrar efeitos dependentes do estágio de correlações estáticas.

O código é disponibilizado para facilitar a modelagem estrutural adicional de dados de neuroimagem longitudinais observacionais.