🧬 biology

Racialized Heteroscedasticity in Neuroimaging Features, Behavior Measures, and Neuroimaging-Based Predictive Models

Este estudio de 4.736 participantes de la cohorte ABCD revela que la heterocedasticidad racializada, caracterizada por una varianza consistentemente mayor en los datos neuroimágenes y conductuales para los participantes afroamericanos, induce sistemáticamente disparidades en el error de predicción y la fiabilidad del modelo incluso cuando las diferencias de medias están ausentes, resaltando la estructura de la varianza como un determinante crítico de la generalizabilidad del modelo a través de diversas poblaciones.

Autores originales: Christopher Fields, Matthew Rosenblatt, Joseph Aina, Jannat Thind, Annie Harper, Chyrell Bellamy, Xin Zhou, Alexandra Potter, Hugh Garavan, Nicholas Allgaier, Micah Johnson, Raimundo Rodriguez, Fahmi

Publicado 2026-06-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Christopher Fields, Matthew Rosenblatt, Joseph Aina, Jannat Thind, Annie Harper, Chyrell Bellamy, Xin Zhou, Alexandra Potter, Hugh Garavan, Nicholas Allgaier, Micah Johnson, Raimundo Rodriguez, Fahmi Khalifa, Deanna Barch, Dustin Scheinost

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

La idea principal: No se trata solo del promedio, se trata de la dispersión

Imagina que estás tratando de predecir qué tan rápido irá un coche basándote en el tamaño de su motor. Normalmente, los científicos observan la velocidad promedio de diferentes grupos de coches para ver si hay diferencias.

Este artículo sostiene que los científicos han estado ignorando una parte crucial de la historia: cuánto varían las velocidades dentro de cada grupo.

Los investigadores analizaron escaneos cerebrales y pruebas de comportamiento de casi 5,000 adolescentes (principalmente participantes blancos y negros) en un estudio masivo llamado ABCD Study. Descubrieron un fenómeno que llaman "Heterocedasticidad Racializada".

En lenguaje sencillo, esto significa: La "dispersión" o "variabilidad" de los datos es diferente para los participantes negros en comparación con los participantes blancos.

La analogía: Los dos equipos de tiro con arco

Imagina dos equipos de tiro con arco, el Equipo A y el Equipo B, disparando flechas a un blanco.

Equipo A (participantes blancos): Sus flechas aterrizan en un grupo compacto justo alrededor del centro. Son muy consistentes.
Equipo B (participantes negros): Sus flechas también están centradas alrededor del centro (¡el promedio es el mismo!), pero están esparcidas por todo el blanco. Algunas dan en el centro, otras en el borde y otras fallan el blanco por completo.

El problema: Si construyes un programa de computadora (un modelo predictivo) para adivinar dónde aterrizará la siguiente flecha basándote en el entrenamiento del equipo, el programa funcionará muy bien para el Equipo A porque sus flechas son predecibles. Pero para el Equipo B, el programa estará mucho más "confundido". Incluso si el programa acierta el lugar del promedio correctamente, se equivocará sobre dónde aterriza realmente la flecha individual con mucha más frecuencia para el Equipo B.

El artículo encontró que, en las imágenes cerebrales y las pruebas de comportamiento, los participantes negros mostraron a menudo este patrón "esparcido" (mayor varianza), mientras que los participantes blancos mostraron un patrón de "grupo compacto" (menor varianza).

Lo que encontraron

Los escaneos cerebrales: Al observar cómo se comunican las diferentes partes del cerebro (imagen funcional), el "ruido" o la variabilidad era significativamente mayor para los participantes negros. Era como si las señales cerebrales fueran más "erráticas" o diversas en este grupo.
Las pruebas de comportamiento: Lo mismo ocurrió con las pruebas de personalidad, atención y estado de ánimo. Los participantes negros mostraron un rango de puntuaciones más amplio.
Los modelos de predicción: Cuando los investigadores construyeron modelos de computadora para predecir el comportamiento basándose en los escaneos cerebrales, los modelos funcionaron de manera diferente para los dos grupos.
- Para el grupo con el "grupo compacto" (menor varianza), las predicciones fueron estables y confiables.
- Para el grupo de las "flechas esparcidas" (mayor varianza), las predicciones estaban por todos lados. La tasa de error del modelo era mayor y su confianza era menor, incluso si las matemáticas generales parecían correctas en el papel.

¿Por qué sucede esto?

El artículo tiene cuidado en decir que esto no se debe a que los cerebros negros sean "diferentes" o estén "dañados" en un sentido biológico.

En su lugar, sugieren que esta variabilidad proviene de las experiencias de vida. Piensa en esto de la siguiente manera:

Si vives en un vecindario muy estable y predecible con muchos recursos, tu vida diaria podría seguir un patrón muy similar al de tus vecinos (baja varianza).
Si vives en un vecindario donde enfrentas más estrés, discriminación o desafíos impredecibles, tus experiencias diarias podrían variar mucho más drásticamente de un día para otro o de una persona a otra (alta varianza).

El artículo llama a esto "Heterocedasticidad Racializada" para enfatizar que estas diferencias en la "dispersión" probablemente son causadas por cómo la sociedad trata a los diferentes grupos, no por su raza en sí misma.

La conclusión

La lección principal de este artículo es que la variabilidad importa tanto como el promedio.

Si los científicos solo observan el cerebro o el comportamiento "promedio", podrían pasar por alto el hecho de que sus modelos de computadora son en realidad mucho menos fiables para ciertos grupos. Es como una aplicación del clima que predice "soleado" para todos. Puede que acierte para una ciudad con un clima estable, pero si vives en una ciudad con tormentas salvajes e impredecibles, esa predicción de "soleado" es inútil porque la variabilidad es muy alta.

Los autores concluyen que, para crear herramientas de ciencia cerebral que sean justas y precisas para todos, los investigadores deben dejar de asumir que todos los grupos tienen la misma cantidad de "dispersión" en sus datos. Necesitan tener en cuenta esta variabilidad adicional para asegurar que sus modelos funcionen bien para todos, no solo para los grupos con los datos más consistentes.

Resumen Técnico: Heterocedasticidad Racializada en Características de Neuroimagen, Medidas Conductuales y Modelos Predictivos Basados en Neuroimagen

Planteamiento del Problema
La investigación en neuroimagen asume frecuentemente que la estructura de la varianza de los datos cerebrales y conductuales es equivalente entre los subgrupos poblacionales, una condición conocida como homocedasticidad. Sin embargo, esta suposición rara vez se pone a prueba. Los autores postulan que la "heterocedasticidad racializada" —diferencias sistemáticas en la varianza entre grupos racializados— puede existir debido a la exposición desigual al estrés, la adversidad ambiental y los recursos sociales. Si no se aborda, las violaciones de la homocedasticidad pueden conducir a predicciones sesgadas, una reducción en la confiabilidad del modelo y la ocultación de la variabilidad significativa en poblaciones con mayor varianza. Este estudio investiga si las estructuras de varianza difieren entre participantes negros y blancos en la cohorte del Estudio del Desarrollo Cognitivo del Cerebro Adolescente (ABCD) y cómo estas diferencias se propagan en el modelado predictivo cerebro-conducta.

Metodología
El estudio utilizó datos basales de 4,736 participantes (3,892 blancos, 844 negros) del Estudio ABCD. El análisis procedió en cuatro etapas:

Cuantificación de la Varianza en Neuroimagen: Los autores probaron diferencias de varianza en seis modalidades de neuroimagen: fMRI en estado de reposo (rsfMRI), fMRI basada en tareas (Retraso de Incentivo Monetario, Tarea de Señal de Parada y EN-Back), imágenes ponderadas por difusión (DWI) y MRI estructural ponderada en T1 (SMRI). Utilizando la prueba de Levene, compararon la varianza de 35,778 bordes de conectividad funcional y 151 características estructurales entre grupos raciales. Los análisis se realizaron tanto sin correcciones como con correcciones conservadoras (regresión de covariables para edad, sexo, ingresos y movimiento; corrección de sitio mediante ComBat; y tamaños de muestra equilibrados).
Cuantificación de la Varianza en Medidas Conductuales: Las diferencias de varianza se evaluaron en 36 medidas conductuales que abarcan cognición, personalidad, regulación emocional y salud conductual, nuevamente utilizando la prueba de Levene con corrección FDR.
Análisis de Modelado Predictivo: Se empleó el Modelado Predictivo Basado en el Conectoma (CPM) para predecir las 36 medidas conductuales a partir de la conectividad de rsfMRI de todo el cerebro mediante validación cruzada de cinco pliegues (estratificada por familia para evitar la fuga de datos). Los autores evaluaron el rendimiento de la predicción (correlación y Error Cuadrático Medio) y, crucialmente, la varianza de los valores predichos ( $\Delta$ Varianza) entre grupos raciales. Se probaron modelos complementarios (Regresión de Kernel Ridge, Random Forest y Redes Neuronales Artificiales) en análisis suplementarios.
Simulación: Para establecer un vínculo mecanístico, los autores simularon escenarios de regresión lineal donde dos grupos compartían relaciones de medias idénticas entre predictores ( $X$ ) y resultados ( $Y$ ), pero diferían en su varianza. Esto aisló el efecto de la estructura de la varianza sobre la precisión de la predicción (MSE y correlación) sin variables de confusión.

Resultos Clave

Varianza de Neuroimagen: A través de todas las modalidades, entre el 12.44% y el 46.36% de las características mostraron diferencias de varianza significativas entre participantes negros y blancos. Las modalidades de imagen funcional (rsfMRI y fMRI basada en tareas) exhibieron consistentemente una mayor proporción de características con mayor varianza en participantes negros (oscilando entre el 62.37% y el 91.69% de las características significativas). En contraste, la DWI mostró una mayor varianza en participantes blancos para la mayoría de las características, mientras que la SMRI no mostró diferencias significativas en el número de características de alta varianza entre los grupos. Estos patrones persistieron incluso tras aplicar rigurosas correcciones por covariables, efectos de sitio y desequilibrio de muestras, aunque el número total de características significativas disminuyó.
Varianza Conductual: De las 36 medidas conductuales, 30 mostraron diferencias de varianza significativas tras la corrección FDR. Notablemente, 27 de estas medidas exhibieron una mayor varianza en participantes negros, incluyendo las puntuaciones de la Lista de Verificación de Conducta Infantil (ej. ruptura de reglas, agresión) y dominios de personalidad (ej. búsqueda de sensaciones).
Desempeño del Modelo Predictivo: En el CPM, 20 medidas conductuales arrojaron predicciones modestas pero significativas ( $r > 0.1$ ). Aunque los indicadores generales de desempeño fueron comparables, 15 de estos 20 modelos mostraron una mayor correlación entre los valores observados y predichos para los participantes negros, sin embargo, 18 mostraron un mayor Error Cuadrático Medio (MSE). Este conflicto sugiere que una mayor correlación no necesariamente equivale a un menor error en presencia de heterocedasticidad.
Dispersión de la Predicción: La varianza de los valores predichos fue significativamente mayor para los participantes negros en 16 de los 20 modelos significativos. Dos modelos (ruptura de reglas y búsqueda de sensaciones) mostraron diferencias significativas tras la corrección FDR en la varianza de la predicción, siendo los participantes negros quienes exhibieron una mayor dispersión.
Hallazgos de la Simulación: Las simulaciones demostraron que aumentar la varianza de la variable de resultado ( $Y$ ) en un grupo aumentó directamente el MSE para ese grupo, incluso cuando la relación subyacente entre $X$ y $Y$ era idéntica. Aumentar la varianza del predictor ( $X$ ) incrementó la correlación entre los valores observados y predichos. Estos resultados confirman que la estructura de la varianza por sí sola puede generar disparidades de grupo en la precisión de la predicción y crear métricas de desempeño conflictivas.

Significancia y Reivindicaciones
Los autores afirman que sus hallazgos exponen una suposición crítica y no probada en la neuroimagen poblacional: que la estructura de la varianza es suficientemente similar entre subgrupos para permitir flujos de trabajo inferenciales y predictivos estándar. El estudio demuestra que:

La Estructura de la Varianza como Determinante: La estructura de la varianza, más que solo la tendencia central (diferencias de medias), es una propiedad estable y reproducible que influye significadamente en el desempeño, la generalizabilidad y la confiabilidad de los modelos.
Mecanismo de Sesgo: El artículo propone que la heterocedasticidad racializada proporciona una explicación mecanística de por qué los modelos predictivos basados en neuroimagen suelen funcionar peor para poblaciones minoritarias, incluso cuando los datos de entrenamiento están equilibrados. El aumento de la varianza en los participantes negros conduce a un mayor error de predicción (MSE) y una mayor incertidumbre, lo cual puede ser oscurecido por las métricas estándar.
Equidad y Traslación Clínica: Los autores argumentan que ignorar estas diferencias de varianza puede exacerbar las disparidades de salud al desplegar modelos poco fiables en entornos clínicos. Enfatizan que la "heterocedasticidad racializada" refleja exposiciones estructuradas socialmente que moldean la variabilidad, no diferencias biológicas inherentes.
Imperativo Metodológico: El estudio concluye que la estructura de la varianza debe examinarse regularmente entre subgrupos como un paso analítico primario, en lugar de una suposición secundaria. Sugieren que el trabajo futuro debe ir más allá de equilibrar las medias para abordar la asimetría de la varianza, con el fin de desarrollar modelos predictivos más equitativos y precisos.

Los autores mantienen la modestia respecto a la generalizabilidad de la magnitud de estas diferencias a todas las poblaciones o etapas del desarrollo, señalando que el estudio está limitado a una única cohorte y a una categorización racial binaria. No obstante, sostienen que la existencia de estas diferencias de varianza es un hallazgo robusto que requiere un cambio en la forma en que se interpretan y modelan los datos de neuroimagen.