诊断标签与测量时间是导致 ADNI 神经影像数据系统性不一致的驱动因素

阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）被广泛用于训练阿尔茨海默病机器学习模型，但其能否为预测建模提供一致的真实标签，尚未得到系统检验。本文表明，ADNI包含三种相互作用、且对机器学习具有直接影响的偏倚来源：（a）诊断标签不一致；（b）技术测量漂移；（c）纵向生存者偏倚。相当一部分病例，尤其是处于中间阶段的病例，不符合ADNI自身设定的诊断阈值。MRI磁场强度及不断演变的处理流程导致海马体积测量存在显著的技术变异；与此同时，不同阶段参与者的差异性留存所产生的队列生存者偏倚，进一步扭曲了对疾病进展的纵向估计。这些发现表明，ADNI并不能提供机器学习应用通常所要求的稳定且内部一致的标签。我们提出了一个涵盖诊断验证、特征协调化与队列校正的实用框架，为利用大规模神经影像队列构建更稳健且具有更强生物学意义的预测模型提供了指导。

阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative，ADNI）被广泛用于训练阿尔茨海默病机器学习模型，但其是否能够为预测建模提供一致的真实标签，尚未得到系统检验。在本文中，我们表明，ADNI包含三种相互作用且对机器学习具有直接影响的偏倚来源：（a）诊断标签不一致；（b）技术测量漂移；以及（c）纵向幸存者偏倚。相当大比例的病例，尤其是处于中间阶段的病例，不符合ADNI自身的诊断阈值。MRI磁场强度和不断演变的数据处理流程导致海马体积存在显著的技术变异；此外，由于不同阶段参与者的保留率存在差异而产生的队列幸存者偏倚，进一步扭曲了疾病进展的纵向估计。这些发现表明，ADNI并未提供机器学习应用通常所需的稳定且内部一致的标签。我们提出了一个涵盖诊断验证、特征协调化和队列核算的实用框架，为利用大规模神经影像学队列构建更稳健且具有更强生物学意义的预测模型提供指导。

感谢您有兴趣帮助传播bioRxiv的相关信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.16.752036v1?rss=1

🏷️ ADNI神经影像 诊断标签偏倚 测量漂移 纵向生存者偏倚 机器学习预测