Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts

Resumo Técnico: NITROGEN para Predição de Doença de Alzheimer sem Imputação

Declaração do Problema
A classificação diagnóstica precisa e a predição da gravidade da doença para a doença de Alzheimer (DA) são dificultadas pela onipresente incompletude e heterogeneidade dos dados clínicos do mundo real. Conjuntos de dados multimodais tipicamente integram medidas demográficas, genéticas, neuroimagem e moleculares, contudo, essas modalidades estão indisponíveis de forma desigual entre indivíduos e estudos devido a variações nos protocolos de aquisição e na conformidade dos pacientes. Estratégias convencionais de "imputar-então-predizer" abordam isso substituindo valores ausentes por dados sintéticos. No entanto, os autores argumentam que tal imputação introduz viés sistemático, distorce as relações entre características e gera predições excessivamente confiantes. Essas limitações são particularmente consequentes em contextos diagnósticos onde a quantificação de incerteza confiável é essencial para a tomada de decisão clínica. Além disso, modelos existentes que consideram a ausência de dados muitas vezes falham em distinguir entre a incerteza decorrente da dificuldade inerente de um caso e a incerteza decorrente da ausência de informações diagnósticas críticas.

Metodologia: O Framework NITROGEN
Os autores propõem o NITROGEN (No-imputation Inter-sample-attention TRansformer Oriented for GENeral datasets), uma arquitetura de transformer livre de imputação projetada para aprender diretamente de registros parcialmente observados. O framework integra dois mecanismos principais:

1. Atenção de Características Mascaradas (NAIM): Baseado no modelo NAIM, o NITROGEN emprega um mecanismo de autoatenção mascarada que ignora explicitamente valores ausentes durante o aprendimento de representação. Em vez de imputar dados, o modelo utiliza uma matriz de mascaramento para suprimir a contribuição de características ausentes dentro do cálculo de atenção, garantindo que evidências sintéticas nunca sejam introduzidas.
2. Atenção Intersample (inspirada no SAINT): Para estabilizar as predições em coortes heterogêneas, a arquitetura incorpora um módulo de atenção intersample. Isso permite que o modelo aprenda estruturas relacionais entre diferentes pacientes dentro de um mini-lote (mini-batch), aproveitando padrões compartilhados para compensar entradas ausentes ou ruidosas no nível individual.

O modelo foi treinado no conjunto de dados Alzheimer's Disease Neuroimaging Initiative (ADNI) ($N=7.858$ exames) e avaliado sem retreinamento em duas coortes externas independentes: OASIS-3 ($N=2.675$) e AIBL ($N=1.286$). A avaliação cobriu três tarefas: classificação binária (CN vs. AD), classificação multiclasse (CN vs. MCI vs. AD) e predição de escore cognitivo contínuo (MMSE e CDR-SB).

Para abordar a confiabilidade das estimativas de probabilidade sob dados incompletos, os autores introduziram um ajuste de incerteza consciente da modalidade. Este método escala a incerteza preditiva (entropia de Shannon) de uma amostra com base na importância estimada das modalidades ausentes. Se uma modalidade altamente informativa (ex: biomarcadores de LCR) estiver ausente, a confiança do modelo é explicitamente reduzida, fornecendo uma medida calibrada de confiabilidade que reflete a disponibilidade dos dados.

Resultos Principais

• Robustez e Calibração: Em todas as coortes e tarefas, o NITROGEN demonstrou uma calibração de probabilidade superior comparado a métodos de conjunto baseados em árvores (XGBoost, LightGBM, Random Forest). Embora os modelos baseados em árvores frequentemente alcancem alta acurácia discriminativa (AUC) em dados in-distribution, eles exibiram excesso de confiança sistemático, particularmente sob mudança de domínio (ex: na coorte OASIS-3). O NITROGEN manteve predições bem calibradas, mostrando um maior hiato nas probabilidades de predição entre casos corretos e incorretos, indicando melhor consciência de incerteza.
• Generalização entre Coortes: O modelo mostrou uma transferência robusta para coortes externas. O desempenho no AIBL foi forte, provavelmente devido a estratégias de recrutamento compartilhadas com o ADNI. No OASIS-3, que foca em populações pré-clínicas com uma distribuição diferente, o desempenho degradou como esperado para todos os modelos, mas o NITROGEN manteve uma sensibilidade competitiva sem a variância extrema observada em alguns modelos baseados em árvores.
• Atribuição de Características e Suficiência: A atribuição de características baseada em permutação identificou a espessura cortical no polo temporal bilateral, o genótipo APOE$\epsilon$4 e a idade como as características mais consistentemente importantes em todos os modelos e coortes. Uma análise de suficiência revelou que, embora a característica do polo temporal sozinha carregue um sinal de ranking reproduzível para o status de DA, ela é insuficiente para uma classificação estável de nível de decisão sem o contexto demográfico e genético complementar.
• Ajuste de Incerteza: O ajuste de incerteza consciente da modalidade proposto melhorou a confiabilidade da predição seletiva. Ao excluir predições com alta incerteza ajustada, o modelo alcançou maior acurácia no subconjunto retido em comparação ao uso da entropia bruta, demonstrando que o ajuste identifica efetivamente predições menos confiáveis quando modalidades críticas estão ausentes.

Significância e Alegações
O artigo afirma que o NITROGEN demonstra que o aprendizado de atenção livre de imputação pode preservar a discriminação significativa sob mudanças de coorte externa, enquanto revela a degradação de desempenho esperada em dados de distribuiçãoalmente diferentes. Os autores enfatizam que a avaliação de modelos de aprendizado de máquina para doenças neurológicas requer dimensões além da acurácia preditiva, especificamente calibração, interpretabilidade e confiabilidade entre coortes.

O estudo conclui que:

1. A imputação não é necessária: O aprendizado multimodal significativo pode ocorrer diretamente de registros incompletos sem introduzir viés sintético.
2. A incerteza deve ser consciente do contexto: Em ambientes clínicos, a confiança de um modelo deve refletir não apenas a dificuldade do caso, mas também a completude da evidência diagnóstica.
3. Polo temporal como um biomarcador robusto: A seleção consistente da espessura cortical do polo temporal através de diversos conjuntos de dados e métodos sugere que esta é uma característica estrutural robusta para a DA, embora funcione melhor em conjunto com outras modalidades.

Os autores posicionam seu trabalho como um passo em direção ao implante clínico confiável, argumentando que os modelos devem ser transparentes sobre a informação ausente para serem úteis em fluxos de trabalho diagnósticos do mundo real, onde a completude dos dados varia.