ComCat：在脑分析中对抗协变量效应

随着神经影像分析转向大规模、多中心研究，如何管理因整合异质性数据集而引入的非期望变异，已成为一项关键挑战。尽管 ComBat 及其在神经影像领域的扩展工具被广泛用于处理这种变异，但它们仅允许对分类性的站点效应进行建模，无法解释连续性混杂来源的影响，例如图像质量、头动以及采集参数。 我们提出了 ComCat，这是 ComBat 框架的一个扩展方法，能够在保留具有生物学相关性的协变量的同时，去除分类性站点指示变量和连续性无关变量的影响。后者通过 B 样条基展开被建模为平滑的非线性函数。ComCat 适用于广泛的脑分析任务，包括基于体素和表面的形态测量、常模建模以及基于机器学习的预测。 为展示其能力，我们在五个数据集上评估了 ComCat 在脑龄预测中的表现，这些数据集涵盖了互补的多中心协调化情境：ON-Harmony（10 名受试者 × 6 台扫描仪；n = 80）；Buchert 旅行模体数据集（1 名受试者 × 116 台扫描仪；n = 531）；Tohoku 单扫描仪、变采集参数数据集（n = 121）；MR-ART（148 名具有不同头动水平的受试者）；以及 ABIDE 的一个子集，其中包括来自 14 台扫描仪的 229 名对照受试者和 208 名自闭症谱系障碍个体。以从 CAT12 派生的图像质量指标作为连续性无关变量时，ComCat 在全部五个数据集中均较 ComBat-GAM 降低了脑龄预测的平均绝对误差（MAE），其中还包括两个站点信息不可用或缺乏信息量的情境。 在 ABIDE 数据集中，ComCat 在改善协调化效果的同时，保留了对照组与 ASD 组之间的差异，这表明与扫描仪相关的方差可以在不影响具有生物学意义信号的情况下被去除。ComCat 在有无站点标签的情况下均可运行，并且不依赖于图像质量指标的具体来源。

2

牛津大学纳菲尔德学院大数据研究所，李嘉诚健康信息与发现中心；

在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。

本文依据 CC-BY 4.0 国际许可协议提供。

返回顶部

上一项

下一项

发布于 2026 年 6 月 23 日。

下载 PDF

数据/代码

电子邮件

感谢您帮助传播 bioRxiv。

您的电子邮箱

*

您的姓名

*

发送至

*

请输入多个地址，每行一个，或以逗号分隔。

您将发送以下内容的电子邮件：

ComCat：应对脑分析中的协变量效应

邮件主题

（您的姓名）已从 bioRxiv 转发一个页面给您

邮件正文

（您的姓名）认为您会希望查看 bioRxiv 网站上的此页面。

您的个人消息

验证码

此问题用于测试您是否为人类访问者，并防止自动化垃圾信息提交。

分享

ComCat：应对脑分析中的协变量效应

Christian Gaser， Robert Dahnke， Habib Ganjgahi， Thomas Nichols

bioRxiv 2026.06.18.733200； doi： https://doi.org/10.64898/2026.06.18.733200

分享本文：

复制

引用工具

ComCat：应对脑分析中的协变量效应

Christian Gaser， Robert Dahnke， Habib Ganjgahi， Thomas Nichols

bioRxiv 2026.06.18.733200； doi： https://doi.org/10.64898/2026.06.18.733200

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.18.733200v1?rss=1

🏷️ 神经影像 数据协调化 协变量校正 脑龄预测 多中心研究