- 1次围观
神经影像分析流程中的分析变异性加剧了该领域对可重复性的担忧。在结构性 MRI 中，不同的分割工具会产生不一致的形态测量估计，这可能影响下游分析，例如预测建模。我们检验了整合多个分割流程是否能够改善脑龄预测，并刻画了多个数据集中流程差异的空间结构和人口统计学结构。来自五个开放获取数据集的 T1 加权扫描采用四种广泛使用的结构分割流程进行处理。使用单一流程特征训练脑龄模型，并将其与多流程聚合策略进行比较。针对共享的皮层下结构评估了流程间变异性，并考察了其与年龄和性别的关系。与单个流程相比，整合不同分割框架的特征提高了预测性能，而在密切相关的软件版本内部进行聚合则仅带来有限收益。变异性呈现出空间结构，且体积测量常常与年龄和性别存在系统性关联。这些结果表明，分割差异反映的是具有结构性且对人口统计学因素敏感的变异，而非随机噪声；同时，多流程特征整合能够增强基于神经影像的预测稳健性。
神经影像分析流程中的分析变异性加剧了该领域对可重复性的担忧。在结构磁共振成像（MRI）中，不同的分割工具会产生不一致的形态测量估计，这可能影响下游分析，例如预测建模。我们检验了整合多种分割流程是否能够提升脑龄预测性能，并刻画了多个数据集中流程差异的空间结构和人口统计学结构。
来自五个开放获取数据集的 T1 加权扫描采用四种广泛使用的结构分割流程进行处理。利用单一流程特征训练脑龄模型，并将其与多流程聚合策略进行比较。针对各流程间共享的皮层下结构评估了流程间变异性，并考察其与年龄和性别的关系。
与单一流程相比，整合不同分割框架的特征提升了预测性能；而在关系较为接近的软件版本内部进行聚合所带来的收益则较为有限。变异性呈现出空间结构特征，且体积测量通常与年龄和性别存在系统性关联。
这些结果表明，分割差异反映的是具有结构性且对人口统计学因素敏感的变异，而非随机噪声；同时，多流程特征整合能够增强基于神经影像的预测的稳健性。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.23.740400v1?rss=1
🏷️ 脑龄预测 结构MRI 图像分割 流程变异性 神经影像分析 预测稳健性
来源出处