Modelli Diffusivi per l'Analisi Normativa in Neuroimaging

Un recente studio pubblicato su arXiv propone l'utilizzo di reti neurali diffusive (DDPM) per la modellazione normativa in neuroimaging. Questo approccio mira a stimare distribuzioni di riferimento di misure biologiche, condizionate a covariate, consentendo la derivazione di centili e punteggi di deviazione clinicamente interpretabili.

Architetture e Valutazione

La ricerca esplora due architetture di "denoiser": una multilayer perceptron (MLP) condizionata con feature-wise linear modulation (FiLM) e un tabular transformer con self-attention e intersample attention (SAINT). Le covariate sono condizionate tramite embedding appresi. I modelli sono stati valutati su un benchmark sintetico e su fenotipi FreeSurfer di UK Biobank, scalando da dimensioni di 2 a 200.

La suite di valutazione include la calibrazione dei centili, la fedeltà distribuzionale (test di Kolmogorov-Smirnov), la diagnostica della dipendenza multivariata e l'analisi di memorizzazione del vicino più prossimo. I risultati mostrano che, per dimensioni ridotte, i modelli diffusivi forniscono output ben calibrati, paragonabili alle baseline tradizionali, modellando congiuntamente una struttura di dipendenza realistica. A dimensioni più elevate, il transformer rimane meglio calibrato rispetto all'MLP e preserva meglio la dipendenza di ordine superiore, consentendo modelli normativi congiunti scalabili.