A Latent ODE Approach to Spatiotemporal Modeling of Cine Cardiac MRI

Resumo Técnico: Uma Abordagem de ODE Latente para Modelagem Espaciotemporal de RM Cardíaca Cine

Definição do Problema
A ressonância magnética cardíaca (RMC) fornece dados espaciotemporais ricos sobre a estrutura e o movimento ventricular. No entanto, os modelos de risco clínicos convencionais dependem de um conjunto limitado de índices manuais (ex: fração de ejeção do ventrículo esquerdo, deformação miocárdica) derivados de fases cardíacas isoladas, tipicamente a diástole final e a sístole final. Essa abordagem comprime a anatomia de alta dimensão em sumários estáticos e ignora a continuidade temporal, a coordenação e a trajetória de todo o ciclo cardíaco. Consequentemente, anormalidades sutis na contração e relaxamento ventricular, que podem carregar sinais prognósticos, são frequentemente negligenciadas. Além disso, os modelos espaciotemporais existentes frequentemente tratam o tempo como uma sequência discreta e normalizada, falhando em considerar a realidade fisiológica de que o tempo dos quadros varia com a frequência cardíaca e que a sístole e a diástole ocupam frações diferentes do ciclo entre diferentes indivíduos.

Metodologia
Os autores propõem um modelo dinâmico latente condicionado por covariáveis que codifica a anatomia biventricular e o movimento de ciclo completo como uma trajetória latente contínua. O framework integra três componentes principais:

1. Autoencoder de Malha Baseado em Grafos: O modelo opera em malhas ventriculares 3D registradas por vértices com topologia fixa. Um codificador de Redes Neurais de Grafos (GNN) processa sequências de malhas quadro a quadro, preservando a conectividade anatômica. Um Transformer agrega essas incorporações (embeddings) quadro a quadro para inferir uma distribuição posterior aproximada de um estado latente específico do sujeito na diástole final ($t=0$).
2. Neural ODE Sensível à Frequência Cardíaca: Em vez de passos temporais discretos, o modelo emprega uma Equação Diferencial Ordinária Neural (ODE) para evoluir o estado latente continuamente ao longo do ciclo cardíaco. O campo vetorial é impulsionado por uma variável de fase latente $\theta(t)$, que é derivada via uma função de deformação de fase (phase warping) monotônica e aprendível, dependente da frequência cardíaca. Isso permite que o modelo estique ou comprima o tempo para corresponder às fases fisiológicas, acomodando taxas de quadros e frequências cardíacas variáveis.
3. Prior Condicionado por Covariáveis e Análise de Sobrevivência: Um MLP (Perceptron Multicamadas) define um prior Gaussiano no estado latente da diástole final, condicionado a covariáveis (idade, sexo e área de superfície corporal). O treinamento variacional minimiza o Limite Inferior da Evidência (ELBO), incentivando a posterior a capturar desvios específicos do sujeito em relação a este padrão fisiológico. Para a predição de risco subsequente, esses desvios são padronizados para criar incorporações residuais, que são alimentadas em um modelo de riscos proporcionais de Cox penalizado para prever a insuficiência cardíaca incidente.

Principais Contribuições

• Dinâmica Latente Contínua: A introdução de uma ODE latente de tempo contínuo para modelagem de RMC de ciclo completo, permitindo trajetórias suaves definidas em fases arbitrárias, em vez de quadros discretos.
• Representações Estruturadas Fisiologicamente: Um prior condicionado por covariáveis que organiza o espaço latente por variações fisiológicas conhecidas (idade, sexo, BSA), isolando desvios patológicos para modelagem de risco.
• Deformação de Fase Sensível à Frequência Cardíaca: Um mecanismo para desacoplar variações de tempo exógenas (frequência cardíaca) das dinâmicas cardíacas intrínsecas, abordando a relação não linear entre o tempo do relógio e a fase fisiológica.
• Avaliação em Larga Escala: Uma avaliação abrangente em 72.386 participantes do UK Biobank, demonstrando a utilidade de características espaciotemporais latentes na predição de insuficiência cardíaca incidente.

Resultados
O modelo foi avaliado em um subconjunto de retenção do coorte UK Biobank (367 eventos de insuficiência cardíaca incidente) contra baselines clínicas estabelecidas e arquiteturas alternativas:

• Desempenho Prognóstico: Adicionar o escore latente ($r_{lat}$) às equações de coorte agrupadas refitadas (PCP-HF) melhorou o C-índice estratificado para a predição de insuficiência cardíaca de 0.704 (apenas PCP-HF) para 0.785. Isso superou um modelo utilizando sete índices de RMC convencionais ($r_{conv}$), que alcançou um C-índice de 0.764.
• Comparação Arquitetural: O modelo proposto GNN+ODE alcançou o melhor equilíbrio entre fidelidade de reconstrução (menores erros euclidianos e angulares), realismo generativo e desempenho prognóstico em comparação com baselines lineares, baseadas em Fourier, baseadas em Transformer e o estado da arte (MeshHeart).
• Validade Generativa: O modelo reproduziu com sucesso tendências conhecidas dependentes de idade e sexo em fenótipos cardíacos (ex: atenuação da LVEF relacionada à idade em homens, aumento da espessura da parede em mulheres), confirmando que o prior condicionado por covariáveis captura variações fisiológicas realistas.
• Interpretabilidade: A visualização de sujeitos de alto risco revelou padrões distintos de remodelamento (ex: remodelamento concêntrico vs. dilatação) capturados pelos desvios da posterior em relação ao prior, sugerindo que o modelo identifica diversas vias para a insuficiência cardíaca.

Significância e Alegações
O artigo alega que a modelagem contínua do ciclo completo do movimento ventricular fornece fenótipos cardíacos informativos que vão além dos sumários de RMC convencionais. Ao capturar a trajetória espaciotemporal completa em vez de snapshots estáticos, o modelo revela sinais prognósticos relacionados ao tempo e à coordenação do movimento cardíaco. Os autores concluem que, embora os desvios espaciotemporais latentes adicionem valor prognóstico significativo, a validação externa em coortes de pacientes mais representativas é necessária antes que o modelo possa ser utilizado para predição de risco clínico. O trabalho posiciona-se como um passo em direção a modelos mais expressivos, fisiologicamente plausíveis e escaláveis para estudar a relação entre forma cardíaca, movimento e futuro risco cardiovascular.