LERD: Latent Event-Relational Dynamics for Neurodegenerative Classification

Motivation

• Known: EEG는 AD 관련 뇌기능장애를 비침습적으로 관찰할 수 있는 도구로, oscillatory slowing, delta/theta power 증가, alpha/beta power 감소 등 macroscopic한 시그니처가 잘 알려져 있으며, 딥러닝 기반 CNN, RNN, graph 및 transformer 모델들이 EEG 기반 AD classification에서 강력한 성능을 보여왔다.
• Gap: 기존 접근법들은 대부분 black-box classifier로 설계되어 accuracy 최적화에 집중하고 latent neural event의 timing이나 cross-channel coordination 같은 잠재적 동역학 구조를 명시적으로 모델링하지 않아, 모델 예측을 신경과학자나 임상의가 비교할 수 있는 established EEG phenomena와 연결하기 어렵다는 한계가 있다.
• Why: latent event timing과 relational dynamics를 명시적으로 복원할 수 있다면 AD 진단의 정확도뿐 아니라 질병 관련 신경 활동 및 네트워크 상호작용의 변화를 해석 가능한 형태로 제공하여 mechanistic insight와 clinical utility를 동시에 얻을 수 있다.
• Approach: LERD는 continuous-time event inference module(EPDE)과 stochastic event-generation process(MELP)를 결합하고, electrophysiology-inspired dLIF prior로 학습을 정규화하며, event-lag 기반의 directed event-relational graph(ERG)를 추론하는 variational Bayesian framework를 제안한다.

Achievement

Comparison of EEG connectivity graphs inferred by LERD versus Pearson correlation-based priors across healthy controls

1. Annotation-free latent event-relation discovery: spike나 edge annotation 없이 multichannel EEG로부터 latent event process와 event-relational graph dynamics를 동시에 추론하는 통합 Bayesian neural dynamical system인 LERD를 제안했다.
2. 전기생리학적 사전지식 통합: differentiable leaky-integrate-and-fire(dLIF) prior를 도입하여 rate, refractoriness, frequency content에 대한 생물물리학적으로 타당한 제약을 학습 과정에 부여했다.
3. 이론적 분석: event-prior KL에 대한 tractable IVP 기반 표현과 finite-horizon surrogate를 도출하고, 추론된 event-relational graph dynamics에 대한 lag noise 안정성(stability) 보장을 확립했다.
4. 실증적 검증: synthetic benchmark와 두 개의 real-world AD EEG cohort에서 LERD가 강력한 baseline들을 일관되게 능가하며, physiology-aligned rate, timing, graph summary를 통해 group-level dynamical 차이를 특성화함을 보였다.

How

Kernel density estimates of the inferred dLIF frequency

• Event Posterior Differential Equation (EPDE): 채널별 활동을 continuous-time으로 표현하며, 해(solution)를 통해 latent dynamics와 expected next-event time을 산출.
• Mean-Evolving Lognormal Process (MELP): EPDE의 기대값을 파라미터로 사용하여 log-normal mixture로부터 inter-event interval을 reparameterized sampling으로 생성, 유연하면서도 tractable한 event statistics 모델링.
• differentiable Leaky-Integrate-and-Fire (dLIF) prior: leak, refractory, rate 제약과 plausible frequency range를 latent process에 부여하는 electrophysiology-informed prior.
• Event-Relational Graph (ERG): cross-channel event lag을 smooth nonlinearity로 매핑하여 edge weight을 산출, 채널 간 이벤트의 선후/정렬 관계를 요약하는 directed graph 추론.
• Variational inference: 전체 모델을 end-to-end로 학습하며, event-prior KL에 대한 tractable IVP 기반 representation 및 finite-horizon surrogate를 도출하고 ERG의 lag noise에 대한 stability guarantee를 이론적으로 증명.

Originality

• black-box classifier 중심의 기존 EEG-AD 파이프라인과 달리, event timing과 relational graph를 annotation 없이 동시에(jointly) 추론하는 새로운 문제 설정(annotation-free latent event-relation discovery)을 제안.
• dynamic causal modeling 같은 전통적 mechanistic Bayesian reasoning의 정신을 계승하면서도, 이를 EEG 기반 AD 분석에 특화된 continuous-time neural point-process/dynamical system 형태로 확장.
• dLIF prior를 통해 순수 데이터 기반 학습이 아닌 electrophysiology 지식을 구조적으로 결합한 phenomenological modeling 전략을 채택.
• KL divergence에 대한 IVP 기반 tractable 표현과 ERG에 대한 stability guarantee라는 이론적 기여를 결합해 방법론적 엄밀성을 보강.

Limitation & Further Study

• dLIF prior가 phenomenological한 population-level 근사임을 저자들도 인정하고 있어, scalp EEG의 volume conduction, 낮은 spatial specificity로 인한 latent source 추정의 근본적 ill-posedness 문제는 완전히 해결되지 않을 수 있음.
• 발췌된 부분만으로는 두 개의 real-world AD EEG cohort의 규모, 다양성, 그리고 baseline 대비 성능 향상의 통계적 유의성에 대한 세부 정보가 부족하여 일반화 가능성 평가가 제한적임.
• 향후 연구로 다양한 신경퇴행성 질환(예: Parkinson's disease, frontotemporal dementia)으로의 확장, 그리고 더 큰 규모의 multi-site cohort에서의 검증이 필요해 보임.
• ERG의 stability guarantee가 실제 noisy clinical EEG 환경에서 어느 정도까지 견고한지에 대한 추가적 실증 분석이 요구됨.

Evaluation

총평: LERD는 annotation 없이 EEG로부터 해석 가능한 latent event dynamics와 relational graph를 함께 추론하는 이론적으로 견고하고 임상적으로 유용한 프레임워크를 제시하며, black-box 진단 모델의 한계를 넘어서는 의미 있는 진전을 보여준다.