多站点脑-表型预测中站点异质性的贡献

关于脑-表型关联的机器学习研究通常用单个皮尔逊相关系数来概括准确度，然而在协调后的多站点数据中，这一指标会受到训练集大小、特征与结局变量的变异性以及真实效应异质性的影响。我们分析了来自可重复脑图表（Reproducible Brain Charts）联盟的结构 MRI 数据。经过预处理和质量控制后，保留了来自 9 个站点的 3486 名参与者。我们采用了三种训练集构成方式，以理解协调后站点异质性的贡献：站点内（Local）、规模降采样的多站点（Multi-Down）以及完整多站点（Multi-Full）。另一种与站点无关的策略（Overall）将所有站点合并为单一数据集。所有策略均在训练和测试样本中包含了目标站点。这些分析将站点效应的贡献与样本量的贡献区分开来。站点间异质性广泛存在（年龄 I^2 {approx} 95%）。年龄预测的总体相关性（r = 0.73）超过了站点内元分析估计值（Multi-Full r = 0.63）。合并数据集中相关性的提升是由较大结局方差带来的机械性膨胀所驱动。在匹配样本量时，站点内训练优于协调后的多站点训练。增加多站点训练样本量并未比站点内训练产生显著优势。因此，跨数据集训练的明显优势似乎反映的是训练集大小，而非多站点构成本身的益处。同样的模式在较弱的脑-p-因子信号中大体上也成立。总之，这些结果表明，机器学习脑-表型预测中的站点间异质性在协调后依然存在。我们建议在报告任何合并估计值的同时，报告站点水平的预测准确度以及特征离散度和结局变量的标准差，以改善机器学习预测准确度的站点间和研究间比较。

中文由 AI 翻译，仅供参考，以原文为准。