CPAgents: Agentic Composite Phenotype Generation for Cardiac Disease Association

Resumo Técnico: CPAgents – Geração de Fenótipo Composto Agêntico para Associação com Doenças Cardíacas

Definição do Problema
Identificar associações robustas entre fenótipos de imagem cardíaca e doenças clínicas é crítico para a pesquisa cardiovascular em escala populacional e estratificação de risco. No entanto, os atuais Estudos de Associação Fenotípica (PheWAS) enfrentam limitações significativas. Eles dependem predominantemente de fenótipos pré-definidos de variável única ou de características elaboradas por especialistas. Essa abordagem restringe a capacidade de capturar efeitos não lineares clinicamente significativos e interações entre fenótipos. Além disso, embora a construção automatizada de características exista, os métodos atuais carecem de controle explícito de confundidores, salvaguardas numéricas e da interpretabilidade necessária para a descoberta de fenótipos em larga escala em coortes heterogêneas. O desafio reside em navegar na estrutura de dependência alta, redundante e complexa dos traços derivados de imagem sem incorrer em ônus excessivos de testes múltiplos ou produzir achados instáveis e ininterpretáveis.

Metodologia: O Framework CPAgents
Os autores propõem o CPAgents, um framework agêntico iterativo projetado para construir e validar automaticamente fenótipos compostos interpretáveis a partir de características de imagem cardíaca base. O sistema opera como uma coordenação de ciclo fechado de três agentes especializados:

1. Perfilamento Estatístico (Agente Analista):
   Antes de gerar novas características, o Analista perfila sistematicamente o conjunto de características atual ($F^{(t)}$) para descobrir as características dos dados. Ele gera cinco relatórios estatísticos:

   • Avaliação de forma univariada (usando $\Delta$AIC entre modelos logísticos lineares e de spline) para detectar não linearidade.
   • Caracterização de distribuição (assimetria, curtose, outliers).
   • Triagem de interação pareada via informação mútua.
   • Análise de efeito de grupo (correlação intraclasse e V de Cramér) para avaliar padronizações seguras em nível de grupo.
   • Agrupamento de redundância baseado em matrizes de correlação absoluta.
     Esses diagnósticos são comprimidos em recomendações estruturadas para a próxima fase.

2. Geração de Transformação (Agente Propositor):
   Guiado pelas pistas do Analista, o Propositor gera novos candidatos a características compostas ($f_{cand}$) utilizando um Modelo de Linguagem de Grande Escala (LLM). A geração é restringida a um espaço de operadores predefinido $O$ (Árvores de Sintaxe Abstrata - AST) para garantir validade e segurança. Os candidatos são produzidos via três chamadas distintas de LLM com uma proporção de 2:2:1:

   • Prévios Médicos (40%): Características derivadas do conhecimento clínico interno do LLM (ex: razões fisiológicas estabelecidas).
   • Transformações Estatísticas (40%): Características que abordam relatórios estatísticos específicos (ex: aplicar log1p a distribuições de cauda pesada).
   • Matemática Exploratória (20%): Combinações matemáticas automatizadas e seguras para descobrir padrões latentes.
   • Mecanismos de Segurança: O sistema impõe salvaguardas numéricas, como a adição de um termo de suavização ($\epsilon = 10^{-9}$) a operadores de divisão para evitar divisão por zero. Candidatos falhos são submetidos a novo prompt para reparo.

3. Filtragem Multi-estágio e Validação (Agente Verificador):
   O Verificador avalia os candidatos através de um processo rigoroso de triagem:

   • Verificação de Utilidade Marginal: Avalia o $\Delta$AUC isolado.
   • Seleção de Estabilidade: Utiliza regularização ElasticNet para penalizar correlações espúrias.
   • Deduplicação: Remove características redundantes via agrupamento estatístico e correspondência textual baseada em AST.
   • Importância Global: Utiliza valores SHAP de um modelo LightGBM para classificar as características.
   • Aceitação Global: Os principais candidatos passam por validação cruzada de modelos (SVM, LDA, AdaBoost, MLP) em um conjunto de teste (hold-out). Uma atualização do conjunto de características ocorre apenas se a métrica composta $S = 0,5 \cdot \text{AUC} + 0,5 \cdot \text{Recall}$ melhorar em pelo menos dois dos quatro modelos. O processo emprega parada antecipada após três rejeições consecutivas.

Principais Contribuições

1. Descoberta Agêntica Iterativa: Formula a descoberta de fenótipos como um loop iterativo de analisar-propor-verificar, permitindo a construção automática de fenótipos compostos dentro de um conjunto de operadores restrito e seguro.
2. Composição Informada por Estatística: Integra análise de estrutura estatística (distribuições, redundância, correlações) com triagem baseada em princípios e métricas validadas cruzadamente para mitigar o sobreajuste (overfitting) induzido pela seleção.
3. Saídas Interpretáveis e Reproduzíveis: Gera fórmulas compactas de forma fechada com rastros de construção transparentes e resumos de evidências, facilitando a auditoria e replicação subsequentes.

Resultados Experimentais
O framework foi avaliado na coorte de imagem cardíaca do UK Biobank (26.893 participantes) em nove categorias de doenças clínicas (ex: hipertensão, doença cardíaca, DPOC, diabetes).

• Desempenho: Em 72 combinações de classificador–doença–métrica, as variantes do CPAgents alcançaram o ranking superior em 56 casos, comparado a 18 para os métodos de linha de base (características definidas por especialistas e MESHAgents). O método superou consistentemente os baselines em todas as nove categorias de doenças.
• Estudos de Ablação: A remoção do agente Verificador causou a degradação de desempenho mais severa (o AUC caiu de 0,686 para 0,590), destacando seu papel crítico na filtragem de candidatos instáveis.
• Interpretabilidade: Os fenótipos compostos descobertos demonstraram um coeficiente de Silhueta de 0,413, aproximadamente 1,5 vezes maior que as características definidas por especialistas (0,276), indicando uma melhor separabilidade de clusters e distinção de classe significativamente superior.
• Padrões de Associação: Mapas de calor de associações fenótipo-doença mostraram que os fenótipos compostos produziram padrões de associação mais concentrados e consistentes em comparação com traços de variável única.

Significância e Alegações
O artigo afirma que o CPAgents permite a descoberta escalável de associações fenótipo-doença mais fortes que vão além da seleção de características dirigida por especialistas. Ao construir automaticamente fórmulas compactas e clinicamente interpretáveis, o framework aborda as limitações da modelagem linear e da engenharia de características manual. Os autores enfatizam que sua abordagem produz "rastros de evidência transparentes", permitindo a descoberta de efeitos não lineares e interações entre fenótipos que são robustos à heterogeneidade da coorte. O trabalho posiciona sistemas agênticos como uma solução viável para preencher a lacuna entre dados de imagem de alta dimensão e estratificação de risco clínica confiável e interpretável.