Resumo Técnico: Harmonização de Tau PET Baseada em Superfície via Correspondência de Ponte de Schrödinger com Reponderação de Feynman–Kac

Declaração do Problema

Estudos de neuroimagem multi-site são essenciais para aumentar o poder estatístico, mas são confundidos por variabilidade não biológica decorrente de diferenças em scanners, protocolos de aquisição e radiotracadores. Essa variabilidade infla a variância dos biomarcadores, reduz a sensibilidade aos efeitos da doença e pode introduzir viés sistemático, particularmente quando as distribuições dos sites co-variam com variáveis biológicas.

Embora métodos de harmonização visem remover desvios induzidos pelo site, as abordagens existentes enfrentam limitações significativas em configurações não pareadas (onde não existem sujeitos comuns entre os sites):

• Métodos estatísticos (ex: ComBat): Assumem efeitos lineares e gaussianos e tratam as características de forma independente, falhando em capturar interações não lineares.
• Métodos de aprendizagem profunda (ex: CycleGAN): Sofrem de instabilidade de treinamento, colapso de modo (mode collapse) e a impossibilidade teórica de desentrelaçamento (disentanglement) não supervisionado sem fortes vieses indutivos.
• Métodos baseados em difusão: Dependem de injeção de ruído, o que apresenta um compromisso (tradeoff) entre adaptação de domínio e preservação de conteúdo.

Uma lacuna crítica permanece na harmonização baseada em Ponte de Schrödinger (SB). Implementações padrão de SB (ex: Diffusion Schrödinger Bridge Matching, DSBM) tipicamente amostram pares de extremidades (endpoints) independentemente da medida do produto $\pi_0 \otimes \pi_1$. Quando as coortes de origem e alvo diferem na composição de subgrupos (ex: proporções variando de sujeitos tau-positivos para tau-negativos), esse acoplamento "agnóstico" pode mapear amostras de um subgrupo biológico para um subgrupo diferente no domínio alvo simplesmente devido à prevalência. Isso confunde diferenças de traçador com variação biológica, invalidando o propósito da harmonização. Além disso, aplicar SB a neuroimagem baseada em superfície é desafiador devido à topologia de malha (mesh) não euclidiana das superfícies corticais.

Metodologia

Os autores propõem a Correspondência de Ponte de Schrödinger com Reponderação de Feynman–Kac (FKRSBM), um framework projetado para harmonizar dados de tau PET baseados em superfície enquanto respeita estruturas de subgrupos biológicos.

1. Fundamentação Teórica: SB com Extremidade Regularizada

O método formula a harmonização como um problema de transporte ótimo com regularização de entropia. Para evitar a confusão entre efeitos de site e variação biológica, os autores introduzem uma penalidade de extremidade $\Phi(X_0, X_1)$ que codifica o conhecimento prévio sobre pareamentos biologicamente significativos (ex: penalizando incompatibilidades no status de positividade de tau).

O objetivo minimiza a divergência de Kullback-Leibler (KL) entre a medida de caminho aprendida $P$ e uma medida de referência $R$, aumentada por um termo de penalidade:
$$P^*_\lambda \in \arg\min_{P \ll R, P_0=\pi_0} \left\{ KL(P \| R) + \lambda E_P[\Phi(X_0, X_1)] \right\}$$
onde $\lambda$ controla a força da penalidade.

2. Reponderação de Feynman–Kac

Uma contribuição teórica fundamental é demonstrar que este objetivo regularizado é equivalente ao correspondência de ponte padrão sob uma medida de referência reponderada de Feynman–Kac $R_\lambda$.

• Mecanismo: A reponderação modifica o acoplamento de extremidade (a distribuição de pares origem-alvo), mas deixa a dinâmica da ponte de Brownian condicionada a qualquer par fixo inalterada.
• Implementação: Isso permite que a restrição seja implementada inteiramente no nível de amostragem de dados via amostragem de importância estratificada. O modelo não requer mudanças na arquitetura da rede subjacente ou no solver de correspondência de ponte.
• Amostragem: Durante o treinamento, as extremidades de destino são amostradas de uma proposta condicional $q_\lambda(x_1|x_0) \propto \exp(-\lambda \Phi(x_0, x_1)) \pi_1(x_1)$, que pareia preferencialmente sujeitos com rótulos biológicos correspondentes (ex: tau-positivo com tau-positivo).

3. Arquitetura Baseada em Superfície

Para dados de superfície cortical, o FKRSBM emprega um backbone de convolução esférica (U-Net de Superfície Condicional) operando em malhas icosaédricas. Esta arquitetura respeita a geometria não euclidiana do córtex, preservando a topologia da superfície durante a harmonização ao nível de vértice.

4. Treinamento e Inferência

• Treinamento: O modelo utiliza um processo de dois estágios (pré-treinamento e ajuste fino) envolvendo regressão de deriva (drift) direta e reversa contra velocidades de ponte de Brownian analíticas. Os pares de extremidade são extraídos da proposta reponderada de Feynman–Kac.
• Inferência: A harmonização é realizada integrando a equação diferencial estocástica (SDE) aprendida de $t=0$ a $t=1$ usando o método Euler–Maruyama, partindo de uma amostra de origem.

Principais Contribuições

1. Ponte de Schrödinger em Superfícies Corticais: O artigo introduz o primeiro framework de harmonização baseado em SB especificamente projetado para malhas de superfície cortical, utilizando convoluções esféricas para lidar com a topologia não euclidiana.
2. Transporte com Extremidade Restrita: Os autores formulam um objetivo de SB com extremidade regularizada que evita que o transporte confunda efeitos técnicos de site com heterogeneidade biológica. Eles provam que isso pode ser implementado via reponderação de Feynman–Kac da proposta de extremidade, não exigindo mudanças arquiteturais no solver.
3. Design Modular: A reponderação opera inteiramente no nível de amostragem de dados, tornando a restrição modular e compatível com futuras melhorias em solvers de SB.

Resultados

O método foi avaliado em mapas de SUVR de tau PET não pareados, harmonizando dados de PI-2620 do coorte HABS-HD para o domínio AV-1451 do ADNI. Foi comparado contra ComBat, CycleGAN, um método baseado em difusão (DF) e DSBM não regularizado.

• Alinhamento Distribucional: O FKRSBM alcançou a menor Distância de Wasserstein (WD) e a redução mais forte de separabilidade residual de site (menor Somers' D) em ambos os hemisférios, superando todos os baselines.
• Consistência de Subgrupo: Diferente do DSBM não regularizado, que mostrou correção sistemática de sub/sobre-correção em subgrupos estratificados, o FKRSBM manteve o alinhamento tanto em subgrupos tau-positivos quanto tau-negativos.
• Preservação da Positividade de Tau: O FKRSBM demonstrou a menor taxa de inversão de status de tau (2,6% hemisfério esquerdo, 3,0% hemisfério direito) em comparação ao DSBM (17,5% esquerda, 13,3% direita). O DSBM não regularizado exibiu um forte viés para inverter sujeitos tau-negativos para positivos, um modo de falha mitigado pela reponderação.
• Estratificação Biológica: O FKRSBM preservou melhor a separação entre portadores e não portadores de APOE ε4, mostrando menores estatísticas de Kolmogorov–Smirnov (KS) contra a distribuição alvo dentro desses subgrupos genéticos.
• Desempenho em Tarefas Downstream: Em tarefas de classificação diagnóstica (CN vs. AD, e CN vs. MCI vs. AD), o FKRSBM rendeu os maiores escores F1 e acurácia, indicando que os dados harmonizados retiveram o sinal relevante para a doença enquanto reduziam o ruído do site.

Significância e Alegações

O artigo alega que o FKRSBM aborda uma falha fundamental na tradução de domínio não pareada padrão: o risco de confundir heterogeneidade biológica com efeitos técnicos de site quando as composições das coortes diferem. Ao impor um transporte biologicamente consistente através da reponderação de Feynman–Kac, o método alcança um alinhamento de distribuição superior e preserva biomarcadores clínicos críticos (positividade de tau e status de APOE) melhor do que as abordagens estatísticas e de aprendizagem profunda existentes.

Os autores concluem que o acoplamento consciente da extremidade é crucial para a harmonização em cenários onde as coortes de origem e alvo diferem na composição de subgrupos. Eles posicionam o FKRSBM como uma solução fundamentada que melhora tanto o alinhamento teórico quanto o desempenho prático em experimentos de tau PET cross-tracer, observando que trabalhos futuros devem estender o método para harmonização multi-site, covariáveis contínuas e outras modalidades de imagem baseadas em superfície.