GeoSAE Decodifica Modelos de RM Cerebral con 97% de Estabilidad Entre Cohortes

Un equipo de investigadores afiliado a Stanford ha solucionado un problema clave de interpretabilidad en modelos de fundación médica usando un marco de autocodificadores dispersos guiado por geometría llamado GeoSAE. El sistema decodifica qué información clínica los modelos de RM cerebral realmente codifican con suficiente estabilidad entre cohortes para permitir un despliegue regulado.

Los autocodificadores dispersos estándar se desintegran en capas profundas de transformers, produciendo características redundantes o vacías que oscurecen las representaciones internas del modelo. Para modelos de fundación de RM cerebral entrenados en miles de exploraciones, esto ha hecho imposible auditar el modelo. El envejecimiento confunde casi toda variable clínica, por lo que un autocodificador ingenuo rastrearía la edad del paciente en lugar de señales de enfermedad.

GeoSAE aborda ambos problemas. Utiliza la estructura de variedad aprendida por el modelo de fundación como una prioridad geométrica para restringir la supervivencia de características en capas profundas y evita el colapso de características. La anotación de características se ejecuta mediante correlaciones parciales desconfundidas por edad, eliminando el factor confundente antes de que se asigne cualquier etiqueta clínica. El resultado es un conjunto de características disperso e interpretable derivado de un modelo congelado — sin reentrenamiento necesario.

La validación utilizó aproximadamente 14.000 exploraciones de RM ponderadas en T1 de dos cohortes: la Alzheimer's Disease Neuroimaging Initiative (ADNI) y el Australian Imaging Biomarkers and Lifestyle (AIBL) study. GeoSAE identificó características que predicen la conversión de deterioro cognitivo leve a Alzheimer con un AUC de 0,746 utilizando solo el 2% de las dimensiones de incrustación del modelo. Las características anotadas con comorbilidades tuvieron un desempeño al nivel del azar, validando que el desconfundimiento está eliminando ruido genuino. La replicación de características entre cohortes medida como r=0,97 sin reentrenamiento, e identificó características localizadas en regiones neuroanatómicamente distintas consistentes con la estadificación de Braak, el marco neuropatológico establecido de progresión de Alzheimer.

Para equipos de IA en salud en producción, la implicación es directa. La mayoría de los despliegues tratan el codificador como una caja negra y adjuntan un cabezal específico de la tarea. GeoSAE proporciona una capa de interpretabilidad post-hoc que funciona con cualquier codificador congelado, compatible con tuberías de inferencia existentes sin reentrenamiento del modelo. La explicabilidad es cada vez más esperada — y en algunas indicaciones, requerida — a nivel de características para flujos de trabajo regulados por la FDA de software-as-a-medical-device.

El hallazgo de dimensionalidad del 2% importa para el diseño del sistema de monitoreo. Si un subconjunto compacto e interpretable por humanos de características recupera la mayoría de la señal clínicamente relevante, existe un camino creíble hacia paneles de auditoría ligeros que señalen cambios de modelo o cambios de distribución en términos que los clínicos puedan revisar. La estabilidad entre cohortes de r=0,97 significa que esos paneles no necesitan ser reconstruidos cuando los datos de entrenamiento cambian de institución.

Preguntas abiertas permanecen. El alcance del trabajo es RM estructural ponderada en T1 para una única tarea de progresión de enfermedad; la generalización a imágenes multimodales o dinámicas no ha sido probada. El AUC de 0,746 para la predicción de conversión es clínicamente significativo pero aún no es de grado de despliegue por sí solo — requiere integración en una tubería diagnóstica más amplia. El desconfundimiento de edad fue diseñado para un factor confundente específico; aplicarlo a áreas de enfermedad con factores confundentes dominantes menos caracterizados requiere trabajo de diseño adicional.

Para inversión en infraestructura de IA en salud, las herramientas de interpretabilidad han avanzado más allá de circuitos de modelos de lenguaje de juguete. GeoSAE demuestra que las técnicas de análisis mecanicista pueden productivizarse para codificadores clínicos congelados a escala real de conjuntos de datos y producir resultados que se mapean en ontologías médicas establecidas sin supervisión clínica durante el entrenamiento de SAE.