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

技術的要約：神経画像特徴量、行動指標、および神経画像に基づく予測モデルにおける人種化された不均一分散性

問題提起
神経画像研究では、脳および行動データの分散構造が人口統計学的サブグループ間で等価であるという仮定、すなわち「等分散性（homoscedasticity）」が頻繁に置かれている。しかし、この仮定が検証されることは稀である。著者らは、「人種化された不均一分散性（racialized heteroscedasticity）」、すなわち人種化されたグループ間における分散の系統的な差異が存在する可能性を提唱している。これは、ストレス、環境的逆境、および社会的資源への曝露の不平等に起因すると考えられる。不均一分散性が対処されない場合、予測のバイアス、モデルの信頼性の低下、および高分散集団における意味のある変動の隠蔽を招く可能性がある。本研究では、Adolescent Brain Cognitive Development (ABCD) コホートにおける黒人および白人の参加者間で分散構造がどのように異なるか、また、これらの差異が脳・行動予測モデリングにどのように波及するかを調査する。

方法論
本研究では、ABCD研究の参加者4,736名（白人3,892名、黒人844名）のベースラインデータを利用した。分析は以下の4段階で進行した：

1. 神経画像における分散の定量化： 著者らは、6つの神経画像モダリティ（安静時fMRI [rsfMRI]、タスクベースfMRI [Monetary Incentive Demand, Stop-Signal Task, EN-Back]、拡散強調画像 [DWI]、およびT1強調構造MRI [SMRI]）における分散の差異をテストした。Leveneの検定を用い、35,778個の機能的結合エッジと151個の構造的特徴量における人種間の分散を比較した。解析は、未補正の状態と、保守的な補正（年齢、性別、所得、動きによる共変量回帰、ComBatによるサイト補正、およびサンプルサイズの均衡化）を適用した状態の両方で行われた。
2. 行動指標における分散の定量化： 認知、パーソナリティ、感情調節、および行動健康にわたる36の行動指標について、同様にFDR補正を伴うLeveneの検定を用いて分散の差異を評価した。
3. 予測モデリング分析： コネクトームに基づく予測モデリング（CPM）を用い、全脳rsfMRI結合から36の行動指標を予測した。その際、データ漏洩を防ぐために家族単位での5分割交差検証を行った。著者らは、予測性能（相関および平均二乗誤差 [MSE]）に加え、極めて重要な点として、予測値の分散（$\Delta$Variance）における人種間の差異を評価した。補完的なモデルとして、カーネルリッジ回帰、ランダムフォレスト、および人工ニューラルネットワークも補足分析においてテストされた。
4. シミュレーション： メカニズム的な関連性を確立するため、2つのグループが予測変数（$X$）とアウトカム（$Y$）の間の平均的な関係は同一であるが、分散のみが異なる線形回帰シナリオをシミュレートした。これにより、交絡変数を排除した状態で、分散構造が予測精度（MSEおよび相関）に与える影響を分離して調査した。

主な結果

• 神経画像の分散： すべてのモダリティにおいて、12.44%から46.36%の特徴量が、黒人と白人の間で有意な分散の差異を示した。機能的画像モダリティ（rsfMRIおよびタスクベースfMRI）は、一貫して黒人参加者においてより大きな分散を示す特徴量の割合が高かった（有意な特徴量の62.37%から91.69%の範囲）。対照的に、DWIはほとんどの特徴量において白人参加者の方が大きな分散を示し、SMRIはグループ間での高分散特徴量の数に有意な差は見られなかった。これらのパターンは、共変量、サイト効果、およびサンプル不均衡に対する厳格な補正を適用した後も持続したが、有意な特徴量の総数は減少した。
• 行動の分散： 36の行動指標のうち、30の指標がFDR補正後も有意な分散の差異を示した。特筆すべきは、これら27の指標において、Child Behavior Checklistのスコア（例：規則違反、攻撃性）やパーソナリティの領域（例：感覚追求）を含め、黒人参加者の方が大きな分散を示したことである。
• 予測モデルの性能： CPMにおいて、20の行動指標が中程度ながら有意な予測（$r > 0.1$）をもたらした。全体的な性能指標は同等であったが、これら20モデルのうち15モデルにおいて、黒人参加者の方が観測値と予測値の間の相関が高かった一方で、18モデルにおいて高い平均二乗誤差（MSE）を示した。この矛盾は、不均一分散性が存在する状況では、高い相関が必ずしも低い誤差を意味しないことを示唆している。
• 予測の分散： 予測値の分散は、有意な20モデルのうち16モデルにおいて、黒人参加者で有意に高かった。2つのモデル（規則違反および感覚追求）では、FDR補正後の有意な予測分散の差が見られ、黒人参加者においてより大きな分散を示した。
• シミュレーションの結果： シミュレーションは、アウトカム変数（$Y$）の分散を一方のグループで増加させると、たとえ$X$と$Y$の間の基礎となる関係が同一であっても、そのグループのMSEが直接的に増大することを示した。予測変数（$X$）の分散を増加させると、観測値と予測値の間の相関が高まった。これらの結果は、分散構造そのものが、グループ間の予測精度の格差と相反する性能指標を生み出す要因であることを裏付けている。

意義と主張
著者らは、自らの知見が、人口統計学的サブグループ間で分散構造が十分に類似しているという、従来の神経画像研究における未検証の仮定を露呈させていると主張している。本研究は以下のことを示している：

1. 決定要因としての分散構造： 分散構造は、単なる中心傾向（平均の差）ではなく、モデルの性能、汎用性、および信頼性に有意な影響を与える、安定かつ再現可能な特性である。
2. バイアスのメカニズム： 本論文は、「人種化された不均一分散性」が、訓練データが均衡している場合であっても、なぜ神経画像に基づく予測モデルがマイノリティ集団に対して性能が低くなることが多いのかという理由に対する、メカニズム的な説明を提供すると提案している。黒人参加者における分散の増大は、より高い予測誤差（MSE）と不確実性を引き起こす。これらは標準的な指標によって隠蔽される可能性がある。
3. 公平性と臨床的実装： 著者らは、これらの分散の違いを無視することは、信頼性の低いモデルを臨床現場に導入することで、健康格差を悪化させる可能性があると論じている。彼らは、「人種化された不均一分散性」は、生物学的な差異ではなく、社会的に構造化された曝露が変動を形成していることを反映していると強調している。
4. 方法論的責務： 本研究は、分散構造を二次的な仮定としてではなく、主要な分析ステップとして定期的に検討すべきであると結論付けている。彼らは、将来の研究が、より公平で正確な予測モデルを開発するために、平均の均衡化を超えて、分散の非対称性に対処することへと移行しなければならないと示唆している。

著者らは、本研究が単一のコホートおよび二値的な人種分類に限定されていることを踏まえ、これらの差異の「大きさ」がすべての集団や発達段階に一般化できるかどうかについては慎重な姿勢を保っているが、分散の差異が存在するという事実は、神経画像データの解釈とモデリングの方法を変える必要があるという強固な発見であると断言している。