XiaoMi-AI文件搜索系统
World File Search SystemBWAS
多变量 BWAS 可以用中等大小的样本进行复制
全脑关联研究 (BWAS) 将个体的表型特征差异与大脑结构和功能的测量结果关联起来，在过去 30 年中已成为连接心智和大脑的主要方法。单变量 BWAS 通常分别测试数万到数十万个大脑体素，而多变量 BWAS 则将跨大脑区域的信号整合到预测模型中。单变量 BWAS 存在许多问题，包括缺乏能力和可靠性，以及无法解释分布式神经回路中嵌入的模式级信息 1–4 。多变量预测模型解决了许多这些问题，并为提供基于大脑的行为和临床状态及特征测量提供了巨大希望 2,3 。在他们最近的论文 4 中，Marek 等人在三个大型神经影像数据集中评估了样本量对单变量和多变量 BWAS 的影响，并得出“BWAS 的可重复性需要数千个个体的样本”的总体结论。我们赞赏他们的全面分析，并且我们同意：(1) 进行单变量 BWAS 时需要大量样本，(2) 多变量 BWAS 会显示出更大的效应，因此更有说服力。Marek 等人 4 发现，多变量 BWAS 提供的样本内关联被夸大了，除非纳入数千名参与者，否则通常无法复制（即没有说服力）。这意味着发现样本的效应大小估计必然被夸大了。然而，我们区分了效应大小估计方法（样本内与交叉验证）和样本（发现与复制），并表明，通过适当的交叉验证，Marek 等人 4 在发现样本中报告的样本内膨胀可以完全消除。通过额外的分析，我们证明，在某些情况下，高质量数据集中的多变量 BWAS 效应可以用小得多的样本量复制。具体而言，将标准多元预测算法应用于人类连接组计划中的功能连接，在 6 种表型中的 5 种测试样本量为 75-500 的情况下产生了可复制的效果（图 1）。这些分析仅限于相对高质量数据集中选定的表型数量（使用单个扫描仪在年轻成年人群中测量），不应过度概括。然而，他们强调，样本量要求的关键决定因素是大脑-表型关系的真实效应大小，并且通过适当的内部验证，可以对中等规模的研究进行适当的效应大小估计和足够大的效应。Marek 等人 4 通过在“发现样本”中训练各种多元模型来评估多元 BWAS 中的样本内效应大小膨胀
针对数百名（而非数千名）参与者的脑部疾病神经影像学研究的可重复性
图 1. 功效计算和重复率的实证分析。图 a 显示了统计功效与样本量和显著性阈值（1,000 次迭代）的关系。实线表示基于 ENIGMA 7 精神分裂症效应量（患者和对照组之间的皮质厚度组间差异）的功效计算；为了进行比较，虚线表示 Marek 等人报告的功效计算。3（源数据图 3 取自原始文章）。水平虚线对应于 80% 统计功效的领域标准。模拟表明，对于 P <10 -4 的 BWAS，550 个病例和 550 个对照的样本量达到 80% 的统计功效；对于 P <10 -3 的 BWAS，450 个样本达到 80% 的功效。图 b 显示了精神分裂症实证数据的重复率（橙色实线）与样本量的关系（在 114 个区域进行 BWAS，根据 P <0.05 Bonferroni 测试；1,000 次迭代；线周围的彩色区域表示迭代间平均值的上下一个标准差）。橙色虚线表示外推数据（参见补充方法）。实证分析表明，需要大约 400 名患者和 400 名对照的样本量才能检测到重复率为 80% 的效果。蓝色实线显示阿尔茨海默病实证数据的重复率（蓝色实线）。样本量是指每次分析中具有相等数量对照的病例数。