Resumo Técnico: SA-HGNN para Reconhecimento de Depressão Baseado em EEG

Declaração do Problema

O Transtorno Depressivo Maior (TDM) é uma crise de saúde global proeminente, necessitando de métodos diagnósticos objetivos e automatizados. A eletroencefalografia (EEG) é amplamente utilizada para este fim devido à sua natureza não invasiva e alta resolução temporal. Embora as Redes Neurais de Grafos (GNNs) tenham emergido como uma abordagem convencional para modelar a conectividade funcional cerebral, os métodos existentes enfrentam duas limitações críticas:

1. Modelagem Estrutural Inadequada: A conectividade funcional do cérebro humano possui uma estrutura hierárquica inerente (ex: topologia "rich-club"). As GNNs padrão operam no espaço Euclidiano, que tem dificuldade em representar estruturas em forma de árvore hierárquica de crescimento exponencial sem distorção, levando a uma modelagem imprecisa da hierarquia latente nas redes afetadas pela depressão.
2. Topologia Rígida e Ruído: As abordagens existentes frequentemente dependem de estruturas de grafos estáticas ou falham em filtrar efetivamente canais de ruído redundantes, o que pode obscurecer os padrões topológicos autênticos da rede cerebral.

Metodologia: Rede Neural de Grafo Hiperbólica Adaptativa à Amostra (SA-HGNN)

Para enfrentar esses desafios, os autores propõem a SA-HGNN, um framework projetado para extrair a estrutura hierárquica autêntica das redes cerebrais afetadas pela depressão. A arquitetura consiste em três módulos principais:

1. Construção de Grafo Adaptativa à Amostra (SAGC)

Este módulo constrói dinamicamente topologias de redes cerebrais personalizadas para cada amostra, indo além das definições de grafos estáticos. Ele funde dois ramos:

• Ramo de Prior Físico: Constrói uma topologia espacial de base ($A_{prior}$) baseada em coordenadas de eletrodos 10–20 padrão e distâncias Euclidianas.
• Ramo de Correlação Específica da Amostra: Deriva uma matriz de similaridade orientada a dados ($A_{sim}$) a partir de características temporais extraídas via normalização L2 e projeção linear.
• Fusão: A matriz de adjacência final é formada pela fusão das correlações específicas da amostra (filtradas por uma máscara aprendível) com o prior físico usando um escalar aprendível ($\lambda$). Isso fornece priors estruturais enquanto se adapta às variações individuais.

2. Convolução de Grafo Hiperbólico (HGC)

Para superar os gargalos de representação do espaço Euclidiano, o modelo emprega geometria hiperbólica (especificamente o modelo da bola de Poincaré) para capturar relações hierárquicas latentes.

• Mapeamento: As características são mapeadas entre espaços Euclidianos e hiperbólicos usando mapas exponencial ($\text{exp}_0^c$) e logarítmico ($\text{log}_0^c$).
• Convolução: O processo envolve projetar características Euclidianas para o espaço tangente, transformá-las no espaço hiperbólico, aplicar transformações lineares e agregar informações estruturais de vizinhança dentro do espaço tangente antes de mapear de volta para o espaço Euclidiano. Isso permite que a rede acomode o crescimento exponencial das estruturas hierárquicas inerentes às redes cerebrais.

3. Agrupamento por Atenção (AP)

Este módulo filtra adaptativamente canais de ruído altamente redundantes para preservar a topologia hierárquica autêntica.

• Pontuação: Um nó global aprendível interage com todos os nós dos canais de EEG via autoatenção de múltiplas cabeças para calcular pontuações de importância para cada nó.
• Coarsening (Refinamento): Os $K$ principais nós são selecionados para gerar um conjunto de características agrupadas e uma matriz de adjacência refinada para camadas subsequentes.
• Restrição de Perda: Uma Perda de Uniformidade de AP ($L_{uni}$) é introduzida para evitar o excesso de suavização (over-smoothing) e garantir a diversidade representacional ao restringir as características dos nós descartados.

Função de Perda

A função de perda total combina três termos:

1. Perda de Classificação ($L_{cls}$): Perda de entropia cruzada padrão para reconhecimento de depressão.
2. Perda de Esparsidade ($L_{sparse}$): Incentiva topologias de grafos mais simples no módulo SAGC.
3. Perda de Uniformidade ($L_{uni}$): Garante a diversidade no mecanismo de agrupamento por atenção.

Principais Contribuições

O artigo afirma as seguintes contribuições primárias:

• Arquitetura Inovadora: É o primeiro trabalho a adotar Redes Neurais de Grafos Hiperbólicas para modelar a conectividade funcional hierárquica das redes cerebrais de TDM.
• Construção de Grafo Adaptativa à Amostra: A introdução do módulo SAGC para construir dinamicamente topologias de redes cerebrais individualizadas, superando a rigidez de grafos estáticos.
• Framework Integrado: O desenvolvimento de uma arquitetura que combina Convolução de Grafo Hiperbólico e Agrupamento por Atenção para capturar estruturas hierárquicas no espaço hiperbólico enquanto filtra canais ruidosos.
• Validação Empírica: Demonstração de desempenho superior em paradigmas de EEG de estado de repouso e relacionados a tarefas em conjuntos de dados públicos.

Resultados Experimentais

O modelo foi avaliado no dataset público HUSM, contendo registros de EEG de 34 pacientes com TDM e 30 controles saudáveis (HCs) sob dois paradigmas: Estado de Repouso (HUSM-Rest) e Relacionado a Tarefas (HUSM-Task).

• Desempenho: A SA-HGNN alcançou resultados de estado da arte, superando sete modelos de base baseados em grafos (incluindo DCGNN, GraphSleepNet e SDGCN).
  • HUSM-Rest: Alcançou 95,24% de Acurácia e 95,77% de F1 Score, superando o segundo melhor método (GraphSleepNet) em 1,82% e 2,29%, respectivamente.
  • HUSM-Task: Alcançou 94,26% de Acurácia e 94,69% de F1 Score, superando o segundo melhor método (GCBNet) em 0,39% e 0,42%.
• Estudo de Ablação: Experimentos confirmaram que o modelo completo (combinando SAGC, HGC e AP) supera significativamente as variantes que utilizam apenas módulos únicos ou pares, validando o efeito sinérgico dos componentes propostos.
• Robustez: A análise de sensibilidade mostrou que o modelo mantém um desempenho estável através de uma gama de valores de hiperparâmetros para esparsificação e pesos de perda de uniformidade.

Significância e Alegações

Os autores afirmam que a SA-HGNN aborda efetivamente a distorção estrutural causada pela modelagem de redes cerebrais hierárquicas no espaço Euclidiano. Ao utilizar a geometria hiperbólica, o modelo captura com maior precisão a topologia "rich-club" e os padrões hierárquicos latentes que são alterados no TDM.

Além disso, a visualização das matrizes de adjacência aprendidas revelou biomarcadores neurobiológicos consistentes com achados clínicos:

• Estado de Repouso: Hiperconectividade em regiões centrais da linha média (associada à superativação da rede de modo padrão/default mode network).
• Estado de Tarefa: Alterações notáveis nas regiões frontoparietais esquerdas (ligadas a déficits emocionais-cognitivos).

O artigo conclui que a SA-HGNN fornece um framework robusto e mitigador de ruído para capturar padrões de conectividade funcional anormais, oferecendo uma melhoria significativa sobre as tradicionais GNNs baseadas em Euclídeo para o diagnóstico automatizado de TDM.