多模态神经影像数据耦合中的混杂检验

多模态神经影像学研究通常涉及脑图谱之间的比较。近年来，研究者提出了多种统计方法，用于量化和评估两种模态之间的空间对应关系。简单基于置换的跨模态对应性（simple permutation-based inter-modal correspondence，SPICE）检验用于评估受试者内的对应程度是否超过随机水平，其零分布通过对一种模态的受试者标签进行置换来构建。尽管该方法易于实施且对空间结构的假设较少，但置换分析所依据的关键假设——即在零假设下受试者具有可交换性——可能在年龄、性别或疾病状态等协变量系统性地改变脑图谱分布时遭到破坏。这种违反可能产生类似辛普森悖论的结果，即表面上的群体层面对应关系实际上反映的是组间差异，而非真实的受试者内耦合关系。我们提出了一种基于U统计量的正式检验方法，用于评估此类协变量效应，从而既能够诊断上述假设是否被违反，也能够促进科学发现。通过合成和半合成神经影像数据，我们证明了该方法能够有效控制I类错误，并具有较高的统计功效。随后，我们利用费城神经发育队列中的真实数据，对两对成像模态中由年龄和性别引起的混杂效应进行了检验。我们的框架提升了跨模态耦合分析的严谨性与可解释性，对于异质性人群中的神经影像学研究具有广泛意义，尤其适用于发育、衰老和疾病相关研究。

多模态神经影像学研究通常涉及脑图谱之间的比较。近年来，已有统计方法被提出用于量化和评估两种模态之间的空间对应性。简单的基于置换的跨模态对应性（simple permutation-based inter-modal correspondence，SPICE）检验用于评估个体内对应性是否超过随机水平，其零分布通过对一种模态的受试者标签进行置换来构建。尽管该方法易于实施且对空间结构的假设较少，但置换分析所依赖的关键假设——即在零假设下受试者具有可交换性——可能因年龄、性别或疾病状态等协变量系统性地改变脑图谱分布而受到破坏。这种违反可能产生类似辛普森悖论的结果，即表面上的总体层面对应性实际上反映的是组间差异，而非真正的个体内耦合。我们提出了一种基于U统计量的正式检验，用于检测此类协变量效应，从而既能诊断假设是否被违反，也能推动科学发现。利用合成和半合成神经影像数据，我们证明了该方法能够有效控制I类错误率，并具有较高的统计功效。随后，我们应用该方法，利用费城神经发育队列中两对成像模态的真实数据，检验年龄和性别所导致的混杂效应。我们的框架提高了跨模态耦合分析的严谨性和可解释性，对于异质性人群中的神经影像学研究具有广泛意义，尤其适用于发育、衰老和疾病相关研究。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.14.750774v1?rss=1

🏷️ 多模态神经影像 跨模态耦合 混杂效应检验 U统计量 可交换性假设