Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages

Resumo Técnico: Modelos de Fundação de EEG de Sono Revelam Microestrutura Intra-Estágio

Problema
A medicina do sono tradicional comprime a complexa polissonografia (PSG) em uma taxonomia grosseira de cinco estágios (Vigília, N1, N2, N3, REM) baseada em critérios definidos por humanos. Embora clinicamente útil, essa "interface de cinco estágios" é intencionalmente perdedora de informação, obscurecendo a fisiologia individual, a dinâmica relacionada à idade e eventos de vida curta dentro dos estágios. Os sistemas de pontuação automatizados existentes reproduzem amplamente esses rótulos humanos, falhando em capturar a estrutura fisiológica latente. A questão central abordada é se modelos de fundação de aprendizado autossupervisionado (SSL) podem aprender representações de sono que se estendam além desse arcabouço grosseiro, codificando informações de saúde enriquecidas através de uma microestrutura intra-estágio mais refinada.

Metodologia
Os autores treinaram o Sleep2.0, um modelo de fundação transformer do tipo HuBERT, em 11.261 registros de PSG noturna de sete conjuntos de dados públicos (MESA, MrOS, SHHS, WSC, SOF, CFS, NCHSDB). O modelo foi pré-treinado usando SSL em dados não rotulados via um objetivo de predição de pseudo-rótulo mascarado de dois estágios, aprendendo representações contextuais sem rótulos de estágio explícitos.

Para isolar rigorosamente a fonte dos ganhos preditivos, o estudo empregou um design experimental estritamente pareado comparando três arquiteturas:

1. Pré-treinado com SSL (Sleep2.0): Treinado em dados não rotulados.
2. Pré-treinado Supervisionado de Cinco Estágios: Uma arquitetura idêntica pré-treinada para prever os rótulos padrão de cinco estágios.
3. Do Zero (From-Scratch): A mesma arquitetura treinada a partir de inicialização aleatória em tarefas de downstream sem pré-treinamento.

A avaliação de downstream focou em representações de apenas EEG (derivação central C3/C4) para alinhar com o monitoramento escalável em domicílio. Esses modelos foram ajustados (fine-tuning) no conjunto de dados APPLES ($n=1.044$ participantes retidos) para prever métricas diagnósticas (AHI, estágios do sono), demografia (idade, sexo, IMC) e desfechos funcionais (humor, cognição).

Principais etapas analíticas incluíram:

• Controles Aninhados: Comparação de escores de SSL contra covariáveis, resumos de estágio real (ground-truth), resumos espectrais e o modelo pré-treinado de cinco estágios pareado para testar o valor incremental.
• Quantificação de Microestrutura: Uso de varreduras do Critério de Informação Bayesiano (BIC) em embeddings intra-noite para determinar a contagem ideal de microestados ($k$) e mapeá-los para estágios canônicos ("mapeamento Rosetta").
• Estrutura de Meta-Estados: Agrupamento de microestados específicos do sujeito em um vocabulário compartilhado entre sujeitos ($M=7$ meta-estados) para quantificar a heterogeneidade intra-estágio.
• Ancoragem Fisiológica: Análise de potência espectral (baixa frequência, theta, sigma), densidade de fusos (spindles) e morfologia de oscilações lentas dentro dos microestados derivados.

Resultos Principais

• Desempenho Preditivo: O pré-treinamento SSL superou significativamente o treinamento do zero em múltiplos desfechos (estagiamento, AHI, IMC, idade, sexo, BDI, QI). Comparado ao baseline supervisionado de cinco estágios, o SSL mostrou vantagens significativas para a predição de IMC e idade em análises de apenas EEG. As diferenças para AHI, sexo e desfechos funcionais foram menores, nominais ou não confiáveis após a correção de False Discovery Rate (FDR).
• Valor Incremental: Em modelos de regressão aninhados controlando por demografia, resumos de estágio e características espectrais, os escores derivados de SSL mantiveram valor preditivo incremental significativo para idade, IMC e AHI. O modelo pré-treinado de cinco estágios mostrou associações mais fracas com esses resíduos, particularmente para idade e IMC.
• Descoberta de Microestrutura:
  • Geometria: Embeddings de SSL recuperaram autonomamente a geometria global do arcabouço de cinco estágios sem rótulos, mas suportaram um número significativamente maior de microestados (mediana $k \approx 11$) comparado ao baseline de cinco estágios ($k=5$).
  • Localização: A resolução adicional não foi uniforme; ela subdividiu preferencialmente os estágios N2 e Vigília, que são conhecidos por abranger fisiologias heterogêneas. O N2 foi encontrado subdividido em aproximadamente 5 microestados por registro.
  • Associação de Fenótipo: Dentro do N2, diferentes microestados exibiram associações opostas com fenótipos. Por exemplo, um meta-estado dominante em N2 foi positivamente associado ao AHI, enquanto outros foram negativamente associados. Isso sugere que colapsar a fisiologia heterogênea do N2 em um único rótulo atenua ou cancela sinais relevantes para a saúde.
  • Interpretabilidade Fisiológica: Os microestados de N2 derivados foram fisiologicamente distintos, diferenciando-se em potência de baixa frequência/theta, potência de sigma, densidade de fusos e morfologia de oscilação lenta. Por exemplo, um microestado específico de N2 associado a um AHI mais alto apresentou menor densidade de fusos e morfologia de oscilação lenta mais forte.
• Utilidade de Triagem: Escores derivados de SSL demonstraram discriminação de moderada a forte para gravidade de apneia (AUROC 0,762 para AHI $\ge$ 15) e obesidade (AUROC 0,720 para IMC $\ge$ 30), com calibração estável e utilidade positiva de análise de decisão.

Significância e Alegações
O artigo afirma que modelos de fundação autossupervisionados não apenas reempacotam a arquitetura de sono estabelecida, mas descobrem uma microestrutura de alta resolução ancorada em estágios que carrega informação de saúde mensurável perdida na estagiagem convencional.

• Mecanismo de Ganho: As melhorias são atribuídas à capacidade do modelo de preservar e organizar a heterogeneidade intra-estágio (particularmente no N2) que é colapsada pelo interesse de cinco estágios. Isso permite a detecção de sinais relacionados à idade, IMC e apneia que são obscurecidos quando todos os épocas de N2 são tratadas como uma única classe.
• Tradução Clínica: Os autores posicionam essas representações de apenas EEG como resumos compactos e reutilizáveis para triagem, triagem de risco (triage) e descoberta de biomarcadores, em vez de substitutos para padrões diagnósticos. Eles argumentam que esses modelos podem servir como uma rota escalável para avaliação contínua de saúde, fornecendo proxies de "idade cerebral" e ferramentas de estratificação de risco que se alinham com conceitos clínicos familiares, enquanto oferecem maior resolução.
• Modéstia: Os autores declaram explicitamente que os microestados e meta-estados são "resumos operacionais" da estrutura representacional, não uma taxonomia ontológica fixa. Eles reconhecem limitações, incluindo a necessidade de validação prospectiva, o uso de EEG central em vez de montagens frontais de consumo e o fato de que a detecção de eventos respiratórios permanece o padrão diagnóstico para apneia. O estudo enfatiza que o valor reside em adicionar resumos de baixa dimensão ancorados em estágios aos quadros existentes, não em descartá-los.