诊断协调（DHARM）：一个用于协调和分析 MRI 衍生指标中批次效应的开源工具

扫描仪、采集协议、机器硬件和处理流程之间的技术差异会在 MRI 衍生指标中引入系统性变异。为减少这些效应，已开发出众多协调（harmonisation）方法。然而，这些方法的验证往往依据方法本身、所用数据集和研究设计而采用不同的标准。因此，判断是否需要进行协调、选择合适的协调方法，以及确定技术变异是否已被充分去除且未损害生物学信号，仍然具有挑战性。在本文中，我们介绍 Diagnose Harmonisation（DHARM），一个开源 Python 工具箱，用于诊断批次效应、应用协调方法，并在横断面和重复测量情境下评估协调性能。DHARM 用户友好，提供基于 GUI 和命令行两种界面，并具备图形化报告功能。它提供标准化报告工作流，将特征位置、尺度、经验分布、协方差和多变量结构中批次相关差异的互补度量，与评估生物学协变量效应保留情况和重复测量一致性的度量相结合。该框架包含若干已有的协调方法，但其评估工作流与方法无关：用户也可以提供使用外部或新开发方法协调后的数据，并使用同一套通用诊断指标对其输出进行基准测试。我们使用来自 UK Biobank、Cam-CAN 和 OxBAC 的多站点横断面 MRI 指标，以及 ON-Harmony 数据集中的 travelling-heads 数据来演示 DHARM。在横断面数据集中，协调大幅降低了加性批次效应，而方差和经验分布的残余差异因方法而异。多变量诊断进一步表明，批次相关结构的减少可以与生物学相关变异的保留或可检测性提高并存。在重复测量示例中，协调降低了批次相关变异和被试内变异，同时大体保留了被试水平和生物学关系。DHARM 提供了一个可复现的框架，用于诊断批次效应、应用不同的协调方法，并将协调作为多准则问题来评估，而不是依赖单一的成功度量。通过联合刻画技术变异和具有生物学意义信息的保留情况，DHARM 可以支持针对数据集和目标的协调策略选择、基准测试与验证。

中文由 AI 翻译，仅供参考，以原文为准。