MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis

Resumo Técnico: MediEncoder para Análise de Mediação Causal de Alta Dimensão Não Linear

Problema
A análise de mediação causal visa decompor os efeitos do tratamento em efeitos diretos naturais (NDE) e efeitos indiretos naturais (NIE) que operam através de mediadores. Embora os métodos clássicos assumam covariáveis e mediadores de baixa dimensão e diretamente observados, os estudos biomédicos modernos (ex: genômica, multi-ômica) frequentemente envolvem medições de alta dimensão e ruidosas que servem como proxies para processos biológicos latentes de baixa dimensão. Os métodos existentes de mediação de alta dimensão enfrentam limitações significativas:

1. Esparsidade/Seleção de Variáveis: Métodos que dependem de esparsidade (ex: Lasso) tratam as variáveis observadas como mediadores, falhando em modelar a estrutura latente subjacente.
2. Linearidade: Técnicas de redução de dimensionalidade baseadas em PCA ou modelos de fatores lineares assumem mapas de medição lineares, o que pode ser restritivo em sistemas biológicos complexos onde as relações são não lineares.
3. Independência Estrutural: Abordagens de aprendizagem profunda (ex: autoencoders padrão ou VAEs) frequentemente aprendem representações para covariáveis e mediadores de forma independente, ignorando a dependência estrutural entre os sistemas latentes.
4. Não Linearidade Latente: Estimadores de mediação profunda existentes muitas vezes não visam explicitamente configurações com fatores latentes não lineares e dependência estrutural entre as representações de covariável e mediador.

O desafio central é desenvolver um framework que trate simultaneamente da estrutura latente, alta dimensionalidade, mapas de medição não lineares e interações entre tratamento–covariável–mediador.

Metodologia: MediEncoder
Os autores propõem o MediEncoder, um framework de aprendizagem de representação projetado para análise de mediação causal de alta dimensão não linear. O método opera em duas etapas principais:

1. Aprendizagem de Representação Acoplada:
   O MediEncoder utiliza uma arquitetura codificador-decodificador estruturada para aprender conjuntamente representações de baixa dimensão de covariáveis de alta dimensão ($X$) e mediadores ($M$). A arquitetura consiste em:

   • Codificadores/Decodificadores: Pares separados de codificador-decodificador ($g_X, h_X$ e $g_M, h_M$) para covariáveis e mediadores para minimizar a perda de reconstrução.
   • Rede de Fatores Cruzados ($g_{XM}$): Um componente crítico que mapeia o tratamento ($A$) e a representação da covariável aprendida ($g_X(X)$) para o espaço de representação do mediador ($g_M(M)$). Esta rede impõe um acoplamento direcional, incentivando a representação do mediador a ser previsível a partir do tratamento e da representação da covariável, respeitando assim a equação estrutural latente $f_M = \mu^*(A, f_X) + \text{ruído}$.
   • Função de Perda: O objetivo de treinamento minimiza uma soma ponderada das perdas de reconstrução para $X$ e $M$, além de um termo de perda de alinhamento ($\lambda_3$) que penaliza a discrepância entre a representação real do mediador e a previsão da rede de fatores cruzados.

2. Estimativa de Função de Influência Eficiente com Cross-Fitting:
   Uma vez aprendidas as representações, elas são utilizadas para estimar funções de incômodo (propensity scores, regressões de desfecho e razões de densidade) necessárias para a análise de mediação. Os autores utilizam um procedimento de cross-fitting (dividindo os dados em quatro subconjuntos disjuntos) para estimar o parâmetro alvo $\theta_0 = E\{Y(1, f_M(0))\}$ (a média do mundo cruzado) usando um estimador baseado na função de influência eficiente (IF).

   • O estimador é construído substituindo os fatores latentes não observados na IF de oráculo pelas representações aprendidas.
   • Resultados teóricos mostram que a recuperação exata dos fatores latentes não é necessária; basta que as representações aprendidas aproximem uma transformação invertível à esquerda dos fatores latentes.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

1. Framework de Fator Latente Não Linear: Introdução de um framework de mediação para dados de alta dimensão que evita suposições de linearidade e esparsidade, acomodando estruturas latentes e mapas de medição não lineares.
2. Algoritmo MediEncoder: Desenvolvimento de um algoritmo de aprendizagem de representação acoplada usando uma rede de fatores cruzados para capturar a dependência estrutural entre as representações de covariável e mediador, distinta de autoencoders de múltiplas visões padrão.
3. Teoria Assintótica Modular: Estabelecimento de um framework teórico provando que o estimador resultante de cross-fitting é $\sqrt{n}$-consistente e assintoticamente normal. A teoria formaliza que a inferência válida ocorre desde que a representação aprendida aproxime uma transformação invertível à esquerda dos fatores latentes, desde que os estimadores de incômodo convirjam em taxas apropriadas.
4. Validação Empírica: Demonstração do desempenho do método através de extensas simulações e uma aplicação de mundo real aos dados do Alzheimer's Disease Neuroimaging Initiative (ADNI).

Resultados

• Simulações: Em configurações não lineares de alta dimensão (usando funções de carga de wavelet de Haar), o MediEncoder superou consistentemente abordagens de redução de dimensão concorrentes, incluindo Projeção, Autoencoders padrão, Variational Autoencoders (VAE) e IMAVAE. O MediEncoder alcançou menor Erro Quadrático Médio (RMSE), menores desvios padrão e intervalos de confiança com taxas de cobertura próximas ao nível nominal de 95%. Um estudo de ablação confirmou que o termo de alinhamento ($\lambda_3$) é crucial para estabilizar a representação aprendida do mediador e melhorar a eficiência da estimativa, particularmente em amostras menores.
• Aplicação de Dados Reais (ADNI): O método foi aplicado para estudar a mediação de sintomas depressivos (tratamento) no declínio cognitivo (desfecho) via metilação do DNA (mediador). A análise ($n=649$, $p=171$, $q=3.206$) estimou um efeito total positivo dos sintomas depressivos no declínio cognitivo. As estimativas pontuais sugeriram que o efeito opera principalmente pela via direta, com um efeito indireto menor e mais incerto mediado pela metilação do DNA. O intervalo do efeito total excluiu o zero, enquanto os intervalos direto e indireto incluíram o zero, sugerindo cautela na interpretação do mecanismo de mediação.

Significância e Alegações
O artigo afirma que o MediEncoder preenche uma lacuna crítica na inferência causal ao fornecer um framework estatisticamente válido para análise de mediação de alta dimensão, onde as variáveis são proxies ruidosas para processos biológicos latentes e não lineares. Ao contrário de métodos anteriores que abordam apenas partes deste problema (ex: linearidade ou independência), o MediEncoder aprende conjuntamente representações que se alinham com a estrutura de mediação latente. Os autores enfatizam que seus resultados teóricos não exigem a recuperação exata dos fatores latentes, apenas que as representações aprendidas preservem a informação necessária para o funcional de mediação via uma transformação invertível à esquerda. Isso torna o método robusto às complexidades dos dados biomédicos modernos, mantendo as propriedades estatísticas desejáveis da eficiência semiparamétrica.