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

Résumé technique : Hétéroscédasticité racialisée dans les caractéristiques de neuroimagerie, les mesures comportementales et les modèles prédictifs basés sur la neuroimagerie

Énoncé du problème
La recherche en neuroimagerie suppose fréquemment que la structure de la variance des données cérébrales et comportementales est équivalente entre les sous-groupes de population, une condition connue sous le nom d'homoscédasticité. Cependant, cette hypothèse est rarement testée. Les auteurs postulent qu'une « hétéroscédasticité racialisée » — des différences systématiques de variance entre les groupes racialisés — pourrait exister en raison d'une exposition inégale au stress, à l'adversité environnementale et aux ressources sociales. Si elle n'est pas traitée, la violation de l'homoscédasticité peut conduire à des prédictions biaisées, à une fiabilité réduite des modèles et à l'obscurcissement de la variabilité significative dans les populations à variance plus élevée. Cette étude examine si les structures de variance diffèrent entre les participants noirs et blancs de la cohorte Adolescent Brain Cognitive Development (ABCD).

Méthodologie
L'étude a utilisé les données de base de 4 736 participants (3 892 Blancs, 844 Noirs) de l'étude ABCD. L'analyse s'est déroulée en quatre étapes :

1. Quantification de la variance dans la neuroimagerie : Les auteurs ont testé les différences de variance à travers six modalités de neuroimagerie : l'IRM fonctionnelle au repos (rsfMRI), l'IRM fonctionnelle liée à une tâche (délais d'incitation monétaire, tâche de signal d'arrêt et EN-Back), l'imagerie de diffusion (DWI) et l'IRM structurelle pondérée en T1 (SMRI). En utilisant le test de Levene, ils ont comparé la variance de 35 778 connexions fonctionnelles et de 151 caractéristiques structurelles entre les groupes raciaux. Les analyses ont été menées à la fois sans correction et avec des corrections conservatrices (régression des covariables pour l'âge, le sexe, le revenu et le mouvement ; correction de site via ComBat ; et tailles d'échantillons équilibrées).
2. Quantification de la variance dans les mesures comportementales : Les différences de variance ont été évaluées à travers 36 mesures comportementales couvrant la cognition, la personnalité, la régulation émotionnelle et la santé comportementale, également en utilisant le test de Levene avec correction FDR.
3. Analyse de la modélisation prédictive : La modélisation prédictive basée sur le connectome (CPM) a été employée pour prédire les 36 mesures comportementales à partir de la connectivité rsfMRI du cerveau entier en utilisant une validation croisée à cinq plis (stratifiée par famille pour éviter la fuite de données). Les auteurs ont évalué la performance de la prédiction (corrélation et erreur quadratique moyenne, MSE) et, de manière cruciale, la variance des valeurs prédites ($\Delta$Variance) entre les groupes raciaux. Des modèles complémentaires (régression à noyau par noyau, forêt aléatoire et réseaux de neurones artificiels) ont également été testés dans des analyses supplémentaires.
4. Simulation : Pour établir un lien mécaniste, les auteurs ont simulé des scénarios de régression linéaire où deux groupes partageaient des relations moyennes identiques entre les prédicteurs ($X$) et les résultats ($Y$), mais différaient par leur variance. Cela a permis d'isoler l'effet de la structure de la variance sur la précision de la prédiction (MSE et corrélation) sans variables de confusion.

Résultats clés

• Variance de la neuroimagerie : À travers toutes les modalités, 12,44 % à 46,36 % des caractéristiques présentaient des différences de variance significatives entre les participants noirs et blancs. Les modalités d'imagerie fonctionnelle (rsfMRI et fMRI liée à une tâche) ont systématiquement présenté une proportion plus élevée de caractéristiques présentant une variance plus grande chez les participants noirs (allant de 62,37 % à 91,69 % des caractéristiques significatives). En revanche, la DWI présentait une plus grande variance chez les participants blancs pour la plupart des caractéristiques, tandis que la SMRI ne montrait aucune différence significative dans le nombre de caractéristiques à haute variance entre les groupes. Ces schémas ont persisté même après l'application de corrections rigoureuses pour les covariables, les effets de site et le déséquilibre des échantillons, bien que le nombre total de caractéristiques significatives ait diminué.
• Variance comportementale : Sur les 36 mesures comportementales, 30 ont montré des différences de variance significatives après correction FDR. Notamment, 27 de ces mesures présentaient une variance plus élevée chez les participants noirs, incluant les scores du Child Behavior Checklist (ex. : transgression des règles, agressivité) et les domaines de la personnalité (ex. : recherche de sensations).
• Performance des modèles prédictifs : Dans le cadre du CPM, 20 mesures comportementales ont produit des prédictions modestes mais significatives ($r > 0,1$). Bien que les mesures de performance globale soient comparables, 15 des 20 modèles ont montré une corrélation plus élevée entre les valeurs observées et prédites pour les participants noirs, pourtant 18 ont montré une erreur quadratique moyenne (MSE) plus élevée. Ce conflit suggère qu'une corrélation plus élevée n'équivaut pas nécessairement à une erreur plus faible en présence d'hétéroscédasticité.
• Dispersion de la prédiction : La variance des valeurs prédites était significativement plus élevée pour les participants noirs dans 16 des 20 modèles significatifs. Deux modèles (transgression des règles et recherche de sensations) ont montré des différences significatives après correction FDR de la variance de prédiction, les participants noirs présentant une plus grande dispersion.
• Résultats de la simulation : Les simulations ont démontré qu'augmenter la variance de la variable de résultat ($Y$) dans un groupe augmentait directement la MSE pour ce groupe, même lorsque la relation sous-jacente entre $X$ et $Y$ était identique. Augmenter la variance du prédicteur ($X$) augmentait la corrélation entre les valeurs observées et prédites. Ces résultats confirment que la structure de la variance seule peut générer des disparités de précision de prédiction entre les sous-groupes et créer des métriques de performance conflictuelles.

Signification et revendications
Les auteurs affirment que leurs conclusions exposent une hypothèse critique et non testée dans la neuroimagerie de population : que la structure de la variance est suffisamment similaire entre les sous-groupes pour permettre des flux de travail inférentiels et prédictifs standards. L'étude démontre que :

1. La structure de la variance comme déterminant : La structure de la variance, plutôt que seulement la tendance centrale (différences de moyennes), est une propriété stable et reproductible qui influence significativement la performance, la généralisabilité et la fiabilité des modèles.
2. Mécanisme de biais : L'article propose que l'hétéroscédasticité racialisée fournit une explication mécaniste de la raison pour laquelle les modèles prédictifs basés sur la neuroimagerie performent souvent moins bien pour les populations minoritaires, même lorsque les données d'entraînement sont équilibrées. L'augmentation de la variance chez les participants noirs entraîne une erreur de prédiction plus élevée (MSE) et une plus grande incertitude, que les mesures standards peuvent occulter.
3. Équité et traduction clinique : Les auteurs soutiennent que ignorer ces différences de variance peut exacerber les disparités de santé en déployant des modèles peu fiables dans des contextes cliniques. Ils soulignent que l'« hétéroscédasticité racialisée » reflète des expositions socialement structurées façonnant la variabilité, et non des différences biologiques intrinsèques.
4. Impératif méthodologique : L'étude conclut que la structure de la variance devrait être régulièrement examinée entre les sous-groupes comme une étape analytique primaire, plutôt que comme une hypothèse secondaire. Ils suggèrent que les travaux futurs doivent aller au-delà de l'équilibrage des moyennes pour s'attaquer à l'asymétrie de la variance afin de développer des modèles prédictifs plus équitables et plus précis.

Les auteurs restent modestes quant à la généralisabilité de l'ampleur de ces différences à toutes les populations ou stades de développement, notant que l'étude est limitée à une seule cohorte et à une catégorisation raciale binaire. Cependant, ils affirment que l'existence de ces différences de variance est un résultat robuste qui nécessite un changement dans la manière dont les données de neuroimagerie sont interprétées et modélisées.