Longitudinal Dense-to-Sparse Forecasting: Individual Variability Predicts Conversion Better than Mean Change

Motivation

• Known: Dense한 imaging trajectory로 학습된 forecaster가 존재하고, 이를 sparse한 임상 이벤트(conversion) 예측에 재사용하는 관행이 널리 퍼져 있으며, aleatoric/epistemic uncertainty 구분이 예측 불확실성 분석의 표준 프레임워크로 통용되어 왔다.
• Gap: Cohort shift 하에서 어떤 forecaster 출력 신호가 실제로 살아남는지(transfer)가 거의 검증되지 않았으며, 특히 aleatoric-vs-epistemic이라는 통상적 구분이 transfer 여부를 설명하는 축인지 여부가 불명확했다.
• Why: Neurodegeneration 연구에서 conversion 이벤트는 희소하고 라벨링 비용이 크며 프로토콜 의존적이기 때문에, label-free 신호가 사이트 간 이식성을 갖는지 아는 것은 실제 임상 배포에 직결되는 문제이다.
• Approach: ADNI로 학습한 heteroscedastic longitudinal graph forecaster(Schaefer atlas 기반)에서 mean 변화 점수 sµ와 다섯 종류의 residual/UQ head(Gaussian, MLP, flow, diffusion, 그리고 MC dropout·deep ensembles·last-layer Laplace·SNGP·evidential NIG)로부터 얻은 variability 점수 sσ를 추출해, in-domain(ADNI)과 external transfer(AIBL, OASIS-3) 상황에서 conversion ranking AUC를 비교했다.

Achievement

Figure 2. Controlled cohort-shift simulation. x-axis: applied mean shift as a fraction of the source-cohort mean-score s

1. In-domain 대등 성능: raw sσ가 mean AUC 0.775로 fully-supervised gradient-boosted 임상 baseline(0.792)과 거의 동등한 성능을 라벨 없이 달성.
2. Transfer 하에서의 뚜렷한 dissociation: AIBL 54m에서 sσ 0.769 vs sµ 0.403로 신뢰구간이 겹치지 않는 명확한 분리를 확인했고, OASIS-3에서도 forecasting transfer가 재현됨.
3. Aleatoric/epistemic이 아닌 새로운 축 발견: residual-magnitude 기반 sσ(Gaussian, NIG)는 transfer되고 posterior weight perturbation 기반 sσ(MC dropout, deep ensembles, Laplace, SNGP)는 transfer되지 않는다는 것을 입증.
4. MAE 기반 모델 선택의 불충분성: 거의 동일한 MAE를 갖는 두 head가 전혀 다른 conversion-ranking AUC를 보임을 실증.
5. Controlled covariate-shift 시뮬레이션으로 위 메커니즘을 재현.

How

Figure 3. Sigma tracks trajectory instability (ADNI held-out val). Top: predicted sσ vs. observed within-subject traject

• 200개 region Schaefer atlas 기반 그래프 위에 graph-attention 레이어로 학습된 sparse latent adjacency를 갖는 forecaster 설계 (k-NN 엣지, k=10)
• 두 시점 thickness snapshot과 baseline covariates(진단, 나이, 성별, APOE4, global thickness)를 입력으로 미래 cortical state와 per-region uncertainty σi를 예측
• 다섯 가지 residual head(no residual, MLP, Gaussian, flow, diffusion)를 공유 backbone 위에서 평가
• deep ensembles, MC dropout, last-layer Laplace, SNGP, evidential NIG를 UQ 대조군으로 동일 split에서 비교
• sµ(mean structural-change score)와 sσ(uncertainty score)를 raw score, linear adapter(logistic regression), quadratic adapter(degree-2 polynomial) 세 가지 방식으로 downstream ranking에 사용
• ADNI에서 학습 후 target cohort 튜닝 없이 AIBL, OASIS-3로 전이하여 ROC AUC(2,000-resample bootstrap CI)로 평가
• within-method paired bootstrap으로 AIBL 36m에서 sµ, sσ 각각의 transfer 기여도(∆σ−µ) 분리
• controlled covariate-shift 시뮬레이션으로 메커니즘 재현

Originality

• Dense-to-sparse forecasting transfer라는 문제를 명시적으로 정의하고, label-free risk signal의 cohort shift 하 견고성을 체계적으로 검증한 최초의 시도 중 하나
• 통상적인 aleatoric-vs-epistemic uncertainty 구분이 아니라 "residual-magnitude 기반이냐 posterior weight perturbation 기반이냐"라는 새로운 축이 transfer 성패를 가른다는 발견
• 동일한 forecasting error(MAE)를 갖는 head들이 전혀 다른 downstream utility를 가질 수 있음을 실증하여 model selection 관행에 의문을 제기
• Controlled covariate-shift 시뮬레이션을 통해 관찰된 현상의 인과적 메커니즘을 별도로 검증

Limitation & Further Study

• 사용된 converter 수가 특히 24m(n=14), OASIS-3 등에서 매우 적어 통계적 검정력이 부족하고 신뢰구간이 넓음
• 단일 forecaster architecture(graph-attention 기반)와 단일 imaging modality(cortical thickness)에 국한되어 다른 도메인/모달리티로의 일반화 여부는 불확실
• 왜 residual-magnitude 기반 uncertainty만 transfer되는지에 대한 이론적 설명이 실험적 관찰에 머물러 있으며, 명확한 인과 메커니즘 규명은 향후 과제로 남음
• 세 개 코호트(ADNI, AIBL, OASIS-3)만을 사용했고 스캐너/프로토콜이 매우 상이한 non-Alzheimer 도메인에서의 검증이 부재

Evaluation

총평: 라벨 없이도 mean 변화보다 개별 variability가 cohort shift에 더 견고하다는 실용적이고 반직관적인 발견을 제시하며, aleatoric/epistemic이라는 기존 프레임을 넘어선 새로운 관점을 제공하는 견고한 workshop-급 연구이다. 다만 표본 크기의 제약으로 일부 결과(특히 24m AIBL)의 통계적 확실성은 제한적이다.