🧬 biology

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

Questo studio su 4.736 partecipanti della coorte ABCD rivela che l'eteroschedasticità racializzata, caratterizzata da una varianza costantemente più elevata nei dati neuroimaging e comportamentali per i partecipanti neri, induce sistematicamente disparità nell'errore di predizione e nell'affidabilità del modello anche in assenza di differenze nelle medie, evidenziando la struttura della varianza come un determinante critico della generalizzabilità del modello attraverso popolazioni diverse.

Autori originali: 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

Pubblicato 2026-06-28

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: 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

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

L'idea centrale: Non conta solo la media, conta anche la dispersione

Immaginate di cercare di prevedere quanto andrà veloce un'auto in base alla dimensione del suo motore. Di solito, gli scienziati osservano la velocità media di diversi gruppi di auto per vedere se ci sono differenze.

Questo articolo sostiene che gli scienziati abbiano ignorato una parte cruciale della storia: quanto variano le velocità all'interno di ogni gruppo.

I ricercatori hanno esaminato scansioni cerebrali e test comportamentali di quasi 5.000 adolescenti (principalmente partecipanti bianchi e neri) in uno studio massiccio chiamato ABCD Study. Hanno scoperto un fenomeno che chiamano "Eteroschedasticità Razzializzata".

In parole semplici, questo significa: La "dispersione" o "variabilità" dei dati è diversa per i partecipanti neri rispetto ai partecipanti bianchi.

L'analogia: Le due squadre di tiro con l'arco

Immaginate due squadre di tiro con l'arco, il Team A e il Team B, che scagliano frecce su un bersaglio.

Team A (partecipanti bianchi): Le loro frecce atterrano in un gruppo compatto proprio intorno al centro. Sono molto costanti.
Team B (partecipanti neri): Le loro frecce sono anch'esse centrate attorno al bersaglio (la media è la stessa!), ma sono sparse su tutto il bersaglio. Alcune colpiscono il centro, altre colpiscono il bordo e altre ancora mancano completamente il bersaglio.

Il problema: Se costruite un programma per computer (un modello predittivo) per indovinare dove atterrerà la prossima freccia basandosi sull'addestramento della squadra, il programma funzionerà molto bene per il Team A perché le loro frecce sono prevedibili. Ma per il Team B, il programma sarà molto più "confuso". Anche se il programma indovina correttamente il punto medio, sbaglierà molto più spesso su dove atterra effettivamente la singola freccia per il Team B.

L'articolo ha scoperto che, nelle scansioni cerebrali e nei test comportamentali, i partecipanti neri mostravano spesso questo schema "disperso" (varianza più alta), mentre i partecipanti bianchi mostravano un modello a "gruppo compatto" (varianza più bassa).

Cosa hanno scoperto

Le scansioni cerebrali: Osservando come diverse parti del cervello comunicano tra loro (imaging funzionale), il "rumore" o la variabilità era significativamente più alto per i partecipanti neri. Era come se i segnali cerebrali fossero più "nervosi" o diversificati in questo gruppo.
I test comportamentali: Lo stesso accadeva con i test di personalità, attenzione e umore. I partecipanti neri mostravano un intervallo di punteggi più ampio.
I modelli di previsione: Quando i ricercatori hanno costruito modelli informatici per prevedere il comportamento basandosi sulle scansioni cerebrali, i modelli funzionavano in modo diverso per i due gruppi.
- Per il gruppo con il "gruppo compatto" (varianza inferiore), le previsioni erano stabili e affidabili.
- Per il gruppo con le "frecce sparse" (varianza superiore), le previsioni erano ovunque. Il tasso di errore del modello era più alto e la sua fiducia era minore, anche se la matematica generale sembrava corretta sulla carta.

Perché succede questo?

L'articolo specifica con cura che questo non accade perché i cervelli neri siano "diversi" o "difettosi" in senso biologico.

Invece, suggeriscono che questa variabilità derivi dalle esperienze di vita. Pensatela così:

Se vivete in un quartiere molto stabile e prevedibile, con molte risorse, la vostra vita quotidiana potrebbe seguire un modello molto simile a quello dei vostri vicini (bassa varianza).
Se vivete in un quartiere in cui affrontate stress, discriminazione o sfide imprevedibili, le vostre esperienze quotidiane potrebbero variare molto di più da un giorno all'altro o da persona a persona (alta varianza).

L'articolo definisce questo fenomeno "Eteroschedasticità Razzializzata" per sottolineare che queste differenze nella "dispersione" sono probabilmente causate dal modo in cui la società tratta i diversi gruppi, non dalla loro razza in sé.

La conclusione

La lezione principale di questo articolo è che la variabilità conta tanto quanto la media.

Se gli scienziati guardano solo al cervello o al comportamento "medio", potrebbero non accorgersi del fatto che i loro modelli informatici sono in realtà molto meno affidabili per certi gruppi. È come un'app del meteo che prevede "sereno" per tutti. Potrebbe essere corretta per una città con un clima stabile, ma se vivete in una città con tempeste selvagge e imprevedibili, quella previsione di "sereno" è inutile perché la variabilità è troppo alta.

Gli autori concludono che, per creare strumenti di scienza del cervello equi e accurati per tutti, i ricercatori devono smettere di assumere che tutti i gruppi abbiano la stessa quantità di "dispersione" nei loro dati. Devono tenere conto di questa variabilità extra per garantire che i loro modelli funzionino bene per tutti, non solo per i gruppi con i dati più coerenti.

Sintesi Tecnica: Eteroschedasticità Racializzata nelle Caratteristiche di Neuroimaging, Misure Comportamentali e Modelli Predittivi Basati su Neuroimaging

Problematica
La ricerca di neuroimaging assume frequentemente che la struttura della varianza dei dati cerebrali e comportamentali sia equivalente tra i sottogruppi di popolazione, una condizione nota come omoschedasticità. Tuttavia, tale assunzione viene raramente testata. Gli autori postulano che possa esistere un'"eteroschedasticità racializzata" — ovvero differenze sistematiche nella varianza tra gruppi racializzati — dovuta a una diversa esposizione a stress, avversità ambientali e risorse sociali. Se non affrontata, la violazione dell'omoschedasticità può portare a predizioni distorte, ridotta affidabilità dei modelli e una oscuramento della variabilità significativa nelle popolazioni con varianza più elevata. Questo studio indaga se le strutture di varianza differiscano tra partecipanti Neri e Bianchi nel coorte Adolescent Brain Cognitive Development (ABCD) e come tali differenze si propaghino nella modellazione predittiva cervello-comportamento.

Metodologia
Lo studio ha utilizzato dati basali di 4.736 partecipanti (3.892 Bianchi, 844 Neri) dal progetto ABCD. L'analisi è proceduta in quattro fasi:

Quantificazione della Varianza nel Neuroimaging: Gli autori hanno testato le differenze di varianza attraverso sei modalità di neuroimaging: fMRI a riposo (rsfMRI), fMRI durante il compito (Monetary Incentive Delay, Stop-Signal Task ed EN-Back), imaging pesato in diffusione (DWI) e MRI strutturale pesata in T1 (SMRI). Utilizzando il test di Levene, hanno confrontato la varianza di 35.778 edge di connettività funzionale e 151 caratteristiche strutturali tra i gruppi razziali. Le analisi sono state condotte sia non corrette, sia con correzioni conservative (regressione delle covariate per età, sesso, reddito e movimento; correzione del sito tramite ComBat; e campioni bilanciati).
Quantificazione della Varianza nelle Misure Comportamentali: Le differenze di varianza sono state valutate attraverso 36 misure comportamentali che spaziano dalla cognizione alla personalità, dalla regolazione emotiva alla salute comportamentale, sempre utilizzando il test di Levene con correzione FDR.
Analisi della Modellazione Predittiva: È stata impiegata la Connectome-based Predictive Modeling (CPM) per predire le 36 misure comportamentali utilizzando la connettività rsfMRI dell'intero cervello attraverso una validazione incrociata a cinque pieghe (stratificata per famiglia per prevenire il data leakage). Gli autori hanno valutato la performance predittiva (correlazione e Errore Quadratico Medio - MSE) e, crucialmente, la varianza dei valori predetti ( $\Delta$ Varianza) tra i gruppi razziali. Modelli complementari (Kernel Ridge Regression, Random Forest e Reti Neurali Artificiali) sono stati testati in analisi supplementari.
Simulazione: Per stabilire un legame meccanicistico, gli autori hanno simulato scenari di regressione lineare in cui due gruppi condividevano identiche relazioni medie tra predittori ( $X$ ) e outcome ( $Y$ ), ma differivano per varianza. Ciò ha isolato l'effetto della struttura della varianza sull'accuratezza della predizione (MSE e correlazione) senza variabili confondenti.

Risultati Chiave

Varianza del Neuroimaging: In tutte le modalità, dal 12,44% al 46,36% delle caratteristiche ha mostrato differenze di varianza significative tra partecipanti Neri e Bianchi. Le modalità di imaging funzionale (rsfMRI e fMRI durante il compito) hanno costantemente mostrato una proporzione maggiore di caratteristiche con maggiore varianza nei partecipanti Neri (variando dal 62,37% al 91,69% delle caratteristiche significative). Al contrario, la DWI ha mostrato una maggiore varianza nei partecipanti Bianchi per la maggior parte delle caratteristiche, mentre la SMRI non ha mostrato differenze significative nel numero di caratteristiche ad alta varianza tra i gruppi. Questi pattern sono persistiti anche dopo l'applicazione di rigorose correzioni per le covariate, gli effetti del sito e lo squilibrio del campione, sebbene il numero totale di caratteristiche significative sia diminuito.
Varianza Comportamentale: Di 36 misure comportamentali, 30 hanno mostrato differenze di varianza significative dopo la correzione FDR. In particolare, 27 di queste misure hanno mostrato una maggiore varianza nei partecipanti Neri, inclusi i punteggi del Child Behavior Checklist (es. trasgressione delle regole, aggressività) e i domini della personalità (es. ricerca di sensazioni).
Performance del Modello Predittivo: Nella CPM, 20 misure comportamentali hanno prodotto predizioni modeste ma significative ( $r > 0,1$ ). Sebbene le metriche di performance complessive fossero comparabili, 15 dei 20 modelli hanno mostrato una correlazione più alta tra valori osservati e predetti per i partecipanti Neri, ma 18 hanno mostrato un Errore Quadratico Medio (MSE) più elevato. Questo conflitto suggerisce che una correlazione più alta non equivale necessariamente a un errore minore in presenza di eteroschedasticità.
Dispersione della Predizione: La varianza dei valori predetti è stata significativamente più alta per i partecipanti Neri in 16 dei 20 modelli significativi. Due modelli (trasgressione delle regole e ricerca di sensazioni) hanno mostrato differenze significative nella varianza della predizione dopo la correzione FDR, con i partecipanti Neri che esibivano una maggiore dispersione.
Risultati della Simulazione: Le simulazioni hanno dimostrato che l'aumento della varianza della variabile outcome ( $Y$ ) in un gruppo aumenta direttamente l'MSE per quel gruppo, anche quando la relazione sottostante tra $X$ e $Y$ è identica. L'aumento della varianza del predittore ( $X$ ) ha aumentato la correlazione tra i valori osservati e quelli predetti. Questi risultati confermano che la sola struttura della varianza può generare disparità di gruppo nell'accuratezza della predizione e creare metriche di performance contrastanti.

Significato e Rivendicazioni
Gli autori sostengono che i loro risultati espongano un'assunzione critica e non testata nella ricerca di neuroimaging di popolazione: che la struttura della varianza sia sufficientemente simile tra i sottogruppi da permettere flussi di lavoro inferenziali e predittivi standard. Lo studio dimostra che:

La Struttura della Varianza come Determinante: La struttura della varianza, piuttosto che solo la tendenza centrale (media), è una proprietà stabile e riproducibile che influenza significativamente la performance, la generalizzabilità e l'affidabilità dei modelli.
Meccanismo di Bias: Il documento propone che l'eteroschedasticità racializzata fornisca una spiegazione meccanicistica del perché i modelli predittivi basati sul neuroimaging spesso performino peggio per le popolazioni minoritarie, anche quando i dati di addestramento sono bilanciati. L'aumento della varianza nei partecipanti Neri porta a un errore di predizione (MSE) più elevato e a una maggiore incertezza, che le metriche standard possono oscurare.
Equità e Traduzione Clinica: Gli autori sostengono che ignorare queste differenze di varianza possa esacerbare le disparità sanitarie, implementando modelli inaffidabili in contesti clinici. Essi sottolineano che l' "eteroschedasticità racializzata" riflette esposizioni strutturate socialmente che modellano la variabilità, non differenze biologiche intrinseche.
Imperativo Metodologico: Lo studio conclude che la struttura della varianza dovrebbe essere regolarmente esaminata tra i sottogruppi come passaggio analitico primario, piuttosto che come un'assunzione secondaria. Suggeriscono che il lavoro futuro debba andare oltre il bilanciamento delle medie per affrontare l'asimmetria della varianza al fine di sviluppare modelli predittivi più equi e accurati.

Gli autori rimangono modesti riguardo alla generalizzabilità dell'entità di queste differenze a tutte le popolazioni o fasi dello sviluppo, notando che lo studio è limitato a un singolo coorte e a una categorizzazione razziale binaria; tuttavia, affermano che l'esistenza di tali differenze di varianza è un reperto robusto che richiede un cambiamento nel modo in cui i dati di neuroimaging vengono interpretati e modellati.