🧬 biology

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

Deze studie naar 4.736 ABCD-cohortdeelnemers onthult dat geracialiseerde heteroscedasticiteit, gekenmerkt door consequent hogere variantie in neuroimaging- en gedragsgegevens voor zwarte deelnemers, systematisch ongelijkheden induceert in voorspellingsfouten en modelbetrouwbaarheid zelfs wanneer gemiddelde verschillen afwezig zijn, wat de variantiestructuur benadrukt als een cruciale determinant voor modelgeneraliseerbaarheid over diverse populaties heen.

Oorspronkelijke auteurs: 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

Gepubliceerd 2026-06-28

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: 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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Idee: Het Gaat Niet Alleen Om het Gemiddelde, Maar Om de Spreiding

Stel je voor dat je probeert te voorspellen hoe snel een auto zal rijden op basis van de grootte van de motor. Meestal kijken wetenschappers naar de gemiddelde snelheid van verschillende groepen auto's om te zien of er verschillen zijn.

Dit artikel betoogt dat wetenschappers een cruciaal deel van het verhaal negeren: hoeveel de snelheden binnen elke groep variëren.

De onderzoekers bestudeerden hersenscans en gedragstests van bijna 5.000 tieners (voornamelijk witte en zwarte deelnemers) in een enorme studie genaamd de ABCD Study. Ze ontdekten een fenomeen dat ze "Racialized Heteroscedasticity" noemen.

In gewone mensentaal betekent dit: De "spreiding" of "variabiliteit" van de gegevens is anders voor zwarte deelnemers dan voor witte deelnemers.

De Analogie: De Twee Boogschutsteams

Stel je twee boogschutsteams voor, Team A en Team B, die pijlen op een doel schieten.

Team A (witte deelnemers): Hun pijlen landen in een compacte cluster rondom de roos. Ze zijn zeer consistent.
Team B (zwarte deelnemers): Hun pijlen zijn ook gecentreerd rondom de roos (het gemiddelde is hetzelfde!), maar ze zijn verspreid over het hele doel. Sommigen raken de roos, sommigen raken de rand, en sommigen missen het doel volledig.

Het Probleem: Als je een computerprogramma bouwt (een voorspellend model) om te raden waar de volgende pijl zal landen op basis van de training van het team, zal het programma heel goed werken voor Team A omdat hun pijlen voorspelbaar zijn. Maar voor Team B zal het programma veel meer "in de war" zijn. Zelfs als het programma de gemiddelde plek correct raadt, zal het veel vaker fout zitten over waar de individuele pijl daadwerkelijk landt voor Team B.

Het onderzoek toonde aan dat bij hersenimpressies en gedragstests zwarte deelnemers vaak dit "verspreide" patroon lieten zien (hogere variantie), terwijl witte deelnemers een "compacte cluster"-patroon vertoonden (lagere variantie).

Wat Ze Vonden

De Hersenscans: Wanneer gekeken werd naar hoe verschillende delen van de hersenen met elkaar communiceren (functionele beeldvorming), was de "ruis" of variabiliteit significant hoger voor zwarte deelnemers. Het was alsof de hersensignalen in deze groep meer "wiebelig" of divers waren.
De Gedragstests: Hetzelfde gebeurde met tests voor persoonlijkheid, aandacht en stemming. Zwarte deelnemers vertoonden een breder bereik aan scores.
De Voorspellingsmodellen: Toen de onderzoekers computermodellen bouwden om gedrag te voorspellen op basis van hersenscans, werkten deze modellen anders voor de twee groepen.
- Voor de groep met de "compacte cluster" (lagere variantie) waren de voorspellingen stabiel en betrouwbaar.
- Voor de groep met de "verspreide pijlen" (hogere variantie) waren de voorspellingen alle kanten op. De foutmarge van het model was hoger en het vertrouwen was lager, zelfs als de algehele wiskunde op papier oké leek.

Waarom Gebeurt Dit?

Het artikel benadrukt zorgvuldig dat dit niet komt doordat zwarte hersenen "anders" of "defect" zijn in biologische zin.

In plaats daarvan suggereren ze dat deze variabiliteit voortkomt uit levenservaringen. Denk er zo over na:

Als je in een zeer stabiele, voorspelbare buurt leeft met veel middelen, kan je dagelijks leven een heel vergelijkbaar patroon volgen als dat van je buren (lage variantie).
Als je in een buurt woont waar je te maken krijgt met meer stress, discriminatie of onvoorspelbare uitdagingen, kan je dagelijkse ervaring van dag tot dag of van persoon tot persoon veel extremer variëren (hoge variantie).

Het artikel noemt dit "Racialized Heteroscedasticity" om te benadrukken dat deze verschillen in "spreiding" waarschijnlijk worden veroorzaakt door hoe de samenleving verschillende groepen behandelt, en niet door hun ras zelf.

De Kernboodschap

De belangrijkste les van dit artikel is dat variabiliteit net zo belangrijk is als het gemiddelde.

Als wetenschappers alleen naar het "gemiddelde" brein of gedrag kijken, kunnen ze de essentie missen dat hun computermodellen voor bepaalde groepen eigenlijk veel minder betrouwbaar zijn. Het is als een weer-app die voor iedereen "zonnig" voorspelt. Het kan kloppen voor een stad met stabiel weer, maar als je in een stad met wilde, onvoorspelbare stormen woont, is die "zonnige" voorspelling nutteloos omdat de variabiliteit zo hoog is.

De auteurs concluderen dat om eerlijke en nauwkeurige hersenwetenschappelijke instrumenten voor iedereen te maken, onderzoekers moeten stoppen met de aanname dat alle groepen dezelfde mate van "spreiding" in hun gegevens hebben. Ze moeten rekening houden met deze extra variabiliteit om ervoor te zorgen dat hun modellen goed werken voor iedereen, en niet alleen voor de groepen met de meest consistente gegevens.

Technische Samenvatting: Geracialiseerde Heteroscedasticiteit in Neuroimaging-kenmerken, Gedragsmaten en Neuroimaging-gebaseerde Voorspellende Modellen

Probleemstelling
Neuroimaging-onderzoek gaat er vaak van uit dat de variantiestructuur van hersen- en gedragsgegevens gelijkwaardig is over populatiesubgroepen, een conditie die bekend staat als homoscedasticiteit. Deze aanname wordt echter zelden getoetst. De auteurs stellen dat "geracialiseerde heteroscedasticiteit"—systematische verschillen in variantie tussen geracialiseerde groepen—kan bestaan als gevolg van ongelijke blootstelling aan stress, omgevingsadversiteit en sociale middelen. Indien niet geadresseerd, kunnen schendingen van homoscedasticiteit leiden tot vertekende voorspellingen, verminderde modelbetrouwbaarheid en het maskeren van betekenisvolle variabiliteit in populaties met een hogere variantie. Deze studie onderzoekt of de variantiestructuren verschillen tussen zwarte en witte deelnemers in de Adolescent Brain Cognitive Development (ABCD) cohort en hoe deze verschillen doorwerken in hersen-gedrag voorspellende modellering.

Methodologie
De studie maakte gebruik van baseline-data van 4.736 deelnemers (3.892 wit, 844 zwart) uit de ABCD-studie. De analyse verliep in vier fasen:

Variante Kwantificatie in Neuroimaging: De auteurs testten voor variantieverschillen over zes neuroimaging-modaliteiten: resting-state fMRI (rsfMRI), taakgebaseerde fMRI (Monetary Incentive Delay, Stop-Signal Task, en EN-Back), diffusion-weighted imaging (DWI) en T1-gewogen structurele MRI (SMRI). Met behulp van de Levene-toets vergeleken zij de variantie van 35.778 functionele connectiviteitsranden en 151 structurele kenmerken tussen raciale groepen. De analyses werden uitgevoerd zowel ongecorrigeerd als met conservatieve correcties (covariaatregressie voor leeftijd, geslacht, inkomen en beweging; site-correctie via ComBat; en gebalanceerde steekproefgroottes).
Variante Kwantificatie in Gedragsmaten: Verschillen in variantie werden beoordeeld over 36 gedragsmaten die cognitie, persoonlijkheid, emotionele regulatie en gedragsgezondheid beslaan, wederom met de Levene-toets met FDR-correctie.
Voorspellende Modellering Analyse: Connectome-gebaseerde Voorspellende Modellering (CPM) werd ingezet om de 36 gedragsmaten te voorspellen vanuit whole-brain rsfMRI-connectiviteit met behulp van vijf-voudige cross-validatie (gestratificeerd per familie om datalekken te voorkomen). De auteurs evalueerden de voorspellende prestaties (correlatie en Mean Squared Error) en, cruciaal, de variantie van de voorspelde waarden ( $\Delta$ Variance) tussen raciale groepen. Aanvullende modellen (Kernel Ridge Regression, Random Forest en Artificial Neural Networks) werden in supplementaire analyses getest.
Simulatie: Om een mechanistische link vast te stellen, simuleerden de auteurs lineaire regressiescenario's waarbij twee groepen identieke gemiddelde relaties deelden tussen predictoren ( $X$ ) en uitkomsten ( $Y$ ), maar verschilden in variantie. Dit isoleerde het effect van de variantiestructuur op de voorspellingsnauwkeurigheid (MSE en correlatie) zonder verstorende variabelen.

Belangrijkste Resultaten

Neuroimaging Variantie: Over alle modaliteiten vertoonden 12,44% tot 46,36% van de kenmerken significante variantieverschillen tussen zwarte en witte deelnemers. Functionele imaging-modaliteiten (rsfMRI en taakgebaseerde fMRI) vertoonden consistent een hoger aandeel kenmerken met een grotere variantie bij zwarte deelnemers (variërend van 62,37% tot 91,69% van de significante kenmerken). In tegen tegenstelling hiertoe vertoonde DWI voor de meeste kenmerken een grotere variantie bij witte deelnemers, terwijl SMRI geen significant verschil liet zien in het aantal kenmerken met hoge variantie tussen de groepen. Deze patronen bleven aanwezig na toepassing van strikte correcties voor covariaten, site-effecten en steekproefonbalans, hoewel het totale aantal significante kenmerken afnam.
Gedragsvariantie: Van de 36 gedragsmaten vertoonden 30 significante variantieverschillen na FDR-correctie. Opvallend genoeg vertoonden 27 van deze maten een grotere variantie bij zwarte deelnemers, inclusocief Child Behavior Checklist-scores (bijv. regelovertreding, agressie) en persoonlijkheidsdomeinen (bijv. sensation-seeking).
Voorspellende Modelprestaties: In CPM leverden 20 gedragsmaten bescheiden maar significante voorspellingen op ( $r > 0,1$ ). Hoewel de algehele prestatie-indicatoren vergelijkbaar waren, vertoonden 15 van de 20 modellen een hogere correlatie tussen geobserveerde en voorspelde waarden voor zwarte deelnemers, terwijl 18 een hogere Mean Squared Error (MSE) vertoonden. Dit conflict suggereert dat een hogere correlatie niet noodzakelijkerwijs gelijkstaat aan een lagere fout in aanwezigheid van heteroscedasticiteit.
Voorspellingsdispersie: De variantie van de voorspelde waarden was significant hoger voor zwarte deelnemers in 16 van de 20 significante modellen. Twee modellen (regelovertreding en sensation-seeking) vertoonden FDR-gecorrigeerde significante verschillen in voorspellingsvariantie, waarbij zwarte deelnemers een grotere dispersie vertoonden.
Simulatiebevindingen: De simulaties toonden aan dat het verhogen van de variantie van de uitkomstvariabele ( $Y$ ) in één groep de MSE voor die groep direct verhoogde, zelfs wanneer de onderliggende relatie tussen $X$ en $Y$ identiek was. Het verhogen van de variantie van de predictor ( $X$ ) verhoogde de correlatie tussen geobserveerde en voorspelde waarden. Deze resultaten bevestigen dat de variantiestructuur alleen al kan leiden tot verschillen in de nauwkeurigheid van voorspellingen tussen subgroepen en conflicterende prestatie-indicatoren kan creëren.

Betekenis en Claims
De auteurs claimen dat hun bevindingen een kritische, ongeteste aanname in de populatie-neuroimaging blootleggen: dat de variantiestructuur voldoende vergelijkbaar is tussen subgroepen om standaard inferentiële en voorspellende workflows toe te staan. De studie demonstreert dat:

Variantiestructuur als Determinant: De variantiestructuur, in plaats van enkel de centrale tendens (gemiddelden), is een stabiele en reproduceerbare eigenschap die de modelprestaties, generaliseerbaarheid en betrouwbaarheid significant beïnvloedt.
Mechanisme van Bias: Het artikel stelt voor dat geracialiseerde heteroscedasticiteit een mechanistische verklaring biedt voor waarom neuroimaging-gebaseerde voorspellende modellen vaak slechter presteren voor minderheidsgroepen, zelfs wanneer de trainingsdata gebalanceerd is. De grotere variantie bij zwarte deelnemers leidt tot een hogere voorspellingsfout (MSE) en grotere onzekerheid, wat door standaardmetrieken kan worden gemaskeerd.
Gelijkheid en Klinische Translatie: De auteurs betogen dat het negeren van deze variantieverschillen gezondheidsverschillen kan verergeren door onbetrouwbare modellen in klinische settings in te zetten. Zij benadrukken dat "geracialiseerde heteroscedasticiteit" een reflectie is van sociaal gestructureerde blootstellingen die variabiliteit vormen, en geen inherente biologische verschillen.
Methodologische Imperatief: De studie concludeert dat de variantiestructuur regelmatig onderzocht moet worden over subgroepen als een primaire analytische stap, in plaats van een secundaire aanname. Zij suggereren dat toekomstig werk verder moet gaan dan het balanceren van gemiddelden naar het adresseren van variantie-asymmetrie om meer rechtvaardige en nauwkeurige voorspellende modellen te ontwikkelen.

De auteurs blijven bescheiden over de generaliseerbaarheid van de omvang van deze verschillen naar alle populaties of ontwikkelingsstadia, waarbij zij opmerken dat de studie beperkt is tot een enkele cohort en binaire raciale categorisering. Zij stellen echter dat het bestaan van dergelijke variantieverschillen een robuuste bevinding is die een verschuiving vereist in hoe neuroimaging-data wordt geïnterpreteerd en gemodelleerd.