🧬 biology

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

Este estudo de 4.736 participantes da coorte ABCD revela que a heterocedasticidade racializada, caracterizada por uma variância consistentemente maior nos dados neuroimagem e comportamentais para participantes negros, induz sistematicamente disparidades no erro de previsão e na confiabilidade do modelo mesmo quando as diferenças de média estão ausentes, destacando a estrutura da variância como um determinante crítico da generalizabilidade do modelo através de populações diversas.

Autores originais: 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

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: 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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

A Grande Ideia: Não é Só Sobre a Média, É Sobre a Dispersão

Imagine que você está tentando prever a velocidade de um carro com base no tamanho do seu motor. Normalmente, os cientistas observam a velocidade média de diferentes grupos de carros para ver se existem diferenças.

Este artigo argumenta que os cientistas têm ignorado uma parte crucial da história: o quanto as velocidades variam dentro de cada grupo.

Os pesquisadores analisaram exames cerebrais e testes de comportamento de quase 5.000 adolescentes (principalmente participantes brancos e negros) em um estudo massivo chamado ABCD Study. Eles descobriram um fenômeno que chamam de "Heterocedasticidade Racializada".

Em termos simples, isso significa: A "dispersão" ou a "variabilidade" dos dados é diferente para participantes negros em comparação com participantes brancos.

A Analogia: As Duas Equipes de Tiro com Arco

Imagine duas equipes de tiro com arco, Equipe A e Equipe B, disparando flechas em um alvo.

Equipe A (participantes brancos): Suas flechas pousam em um agrupamento apertado bem ao redor do centro. Elas são muito consistentes.
Equipe B (participantes negros): Suas flechas também estão centradas ao redor do alvo (a média é a mesma!), mas elas estão espalhadas por todo o alvo. Algumas atingem o centro, algumas atingem a borda e algumas erram o alvo completamente.

O Problema: Se você construir um programa de computador (um modelo preditivo) para adivinhar onde a próxima flecha vai pousar com base no treinamento da equipe, o programa funcionará muito bem para a Equipe A porque suas flechas são previsíveis. Mas para a Equipe B, o programa ficará muito mais "confuso". Mesmo que o programa acerte o local médio corretamente, ele errará sobre onde a flecha individual realmente pousa com muito mais frequência para a Equipe B.

O artigo descobriu que, em exames de imagem cerebral e testes de comportamento, os participantes negros frequentemente apresentavam esse padrão "espalhado" (maior variância), enquanto os participantes brancos apresentavam um padrão de "agrupamento apertado" (menor variância).

O Que Eles Descobriram

Os Exames Cerebrais: Ao observar como diferentes partes do cérebro se comunicam (imagem funcional), o "ruído" ou a variabilidade era significativamente maior para os participantes negros. Era como se os sinais cerebrais fossem mais "instáveis" ou diversos nesse grupo.
Os Testes de Comportamento: O mesmo aconteceu com testes de personalidade, atenção e humor. Os participantes negros mostraram uma gama mais ampla de pontuações.
Os Modelos de Predição: Quando os pesquisadores construíram modelos de computador para prever o comportamento com base nos exames cerebrais, os modelos funcionaram de forma diferente para os dois grupos.
- Para o grupo com o "agrupamento apertado" (menor variância), as previsões eram estáveis e confiáveis.
- Para o grupo das "flechas espalhadas" (maior variância), as previsões estavam por toda parte. A taxa de erro do modelo era maior e a confiança era menor, mesmo que a matemática geral parecesse correta no papel.

Por Que Isso Acontece?

O artigo é cuidadoso ao dizer que isso não é porque os cérebros negros são "diferentes" ou "defeituosos" em um sentido biológico.

Em vez disso, eles sugerem que essa variabilidade vem das experiências de vida. Pense nisso desta forma:

Se você vive em um bairro muito estável e previsível, com muitos recursos, sua vida diária pode seguir um padrão muito semelhante ao de seus vizinhos (baixa variância).
Se você vive em um bairro onde enfrenta mais estresse, discriminação ou desafios imprevisíveis, suas experiências diárias podem variar muito mais drasticamente de um dia para o outro ou de pessoa para pessoa (alta variância).

O artigo chama isso de "Heterocedasticidade Racializada" para enfatizar que essas diferenças na "dispersão" são provavelmente causadas pela forma como a sociedade trata diferentes grupos, não pela raça em si.

A Conclusão

A principal lição deste artigo é que a variabilidade importa tanto quanto a média.

Se os cientistas olharem apenas para o "cérebro médio" ou para o "comportamento médio", eles podem perder o fato de que seus modelos de computador são, na verdade, muito menos confiáveis para certos grupos. É como um aplicativo de clima que prevê "ensolarado" para todos. Pode estar certo para uma cidade com clima estável, mas se você vive em uma cidade com tempestades selvagens e imprevisíveis, essa previsão de "ensolarado" é inútil porque a variabilidade é muito alta.

Os autores concluem que, para criar ferramentas de ciência cerebral justas e precisas para todos, os pesquisadores precisam parar de assumir que todos os grupos têm a mesma quantidade de "dispersão" em seus dados. Eles precisam levar em conta essa variabilidade extra para garantir que seus modelos funcionem bem para todos, e não apenas para os grupos que possuem os dados mais consistentes.

Resumo Técnico: Heterocedasticidade Racializada em Características de Neuroimagem, Medidas Comportamentais e Modelos Preditivos Baseados em Neuroimagem

Declaração do Problema
A pesquisa em neuroimagem frequentemente assume que a estrutura de variância dos dados cerebrais e comportamentais é equivalente entre subgrupos populacionais, uma condição conhecida como homocedasticidade. No entanto, essa suposição raramente é testada. Os autores postulam que a "heterocedasticidade racializada" — diferenças sistemáticas de variância entre grupos racializados — pode existir devido à exposição desigual ao estresse, adversidade ambiental e recursos sociais. Se não abordadas, as violações de homocedasticidade podem levar a previsões enviesadas, redução da confiabilidade do modelo e obscurecimento de variabilidade significativa em populações de maior variância. Este estudo investiga se as estruturas de variância diferem entre participantes negros e brancos na coorte do Adolescent Brain Cognitive Development (ABCD) e como essas diferenças se propagam na modelagem preditiva cérebro-comportamento.

Metodologia
O estudo utilizou dados de linha de base de 4.736 participantes (3.892 brancos, 844 negros) do estudo ABCD. A análise procedeu em quatro estágios:

Quantificação da Variância na Neuroimagem: Os autores testaram diferenças de variância em seis modalidades de neuroimagem: fMRI de estado de repouso (rsfMRI), fMRI baseada em tarefas (Monetary Incentive Delay, Stop-Signal Task e EN-Back), imagem ponderada em difusão (DWI) e RM estrutural ponderada em T1 (SMRI). Usando o teste de Levene, compararam a variância de 35.778 arestas de conectividade funcional e 151 características estruturais entre grupos raciais. As análises foram conduzidas tanto de forma não corrigida quanto com correções conservadoras (regressão de covariáveis para idade, sexo, renda e movimento; correção de sítio via ComBat; e tamanhos de amostra equilibrados).
Quantificação da Variância em Medidas Comportamentais: Diferenças de variância foram avaliadas em 36 medidas comportamentais abrangendo cognição, personalidade, regulação emocional e saúde comportamental, novamente utilizando o teste de Levene com correção FDR.
Análise de Modelagem Preditiva: A Modelagem Preditiva Baseada em Conectoma (CPM) foi empregada para prever as 36 medidas comportamentais a partir da conectividade de rsfMRI de todo o cérebro usando validação cruzada de cinco dobras (estratificada por família para evitar vazamento de dados). Os autores avaliaram o desempenho da previsão (correlação e Erro Quadrático Médio - MSE) e, crucialmente, a variância dos valores previstos ( $\Delta$ Variância) entre grupos raciais. Modelos complementares (Regressão de Kernel Ridge, Random Forest e Redes Neurais Artificiais) também foram testados em análises suplementares.
Simulação: Para estabelecer um vínculo mecanístico, os autores simularam cenários de regressão linear onde dois grupos compartilhavam relações de média idênticas entre preditores ( $X$ ) e resultados ( $Y$ ), mas diferiam na variância. Isso isolou o efeito da estrutura de variância na precisão da previsão (MSE e correlação) sem variáveis de confusão.

Principais Resultados

Variância de Neuroimagem: Em todas as modalidades, de 12,44% a 46,36% das características mostraram diferenças significativas de variância entre participantes negros e brancos. Modalidades de imagem funcional (rsfMRI e fMRI baseada em tarefas) exibiram consistentemente uma proporção maior de características com maior variância em participantes negros (variando de 62,37% a 91,69% das características significativas). Em contraste, a DWI mostrou maior variância em participantes brancos para a maioria das características, enquanto a SMRI não mostrou diferença significativa no número de características de alta variância entre os grupos. Esses padrões persistiram mesmo após a aplicação de rigorosas correções para covariáveis, efeitos de sítio e desequilíbrio de amostra, embora o número total de características significativas tenha diminuído.
Variância Comportamental: Das 36 medidas comportamentais, 30 mostraram diferenças significativas de variância após a correção FDR. Notavelmente, 27 dessas medidas exibiram maior variância em participantes negros, incluindo escores do Child Behavior Checklist (ex: quebra de regras, agressão) e domínios de personalidade (ex: busca de sensações).
Desempenho do Modelo Preditivo: Na CPM, 20 medidas comportamentais geraram previsões modestas, mas significativas ( $r > 0,1$ ). Embora as métricas de desempenho geral fossem comparáveis, 15 dos 20 modelos mostraram correlação mais alta entre valores observados e previstos para participantes negros, porém 18 mostraram Erro Quadrático Médio (MSE) mais alto. Esse conflito sugere que uma correlação mais alta não equivale necessariamente a um erro menor na presença de heterocedasticidade.
Dispersão da Previsão: A variância dos valores previstos foi significativamente maior para participantes negros em 16 dos 20 modelos significativos. Dois modelos (quebra de regras e busca de sensações) mostraram diferenças significativas de variância de previsão após a correção FDR, com participantes negros exibindo maior dispersão.
Achados de Simulação: As simulações demonstraram que o aumento da variância da variável de resultado ( $Y$ ) em um grupo aumentava diretamente o MSE para esse grupo, mesmo quando a relação subjacente entre $X$ e $Y$ era idêntica. O aumento da variância do preditor ( $X$ ) aumentava a correlação entre os valores observados e previstos. Esses resultados confirmam que a estrutura de variância por si só pode gerar disparidades de desempenho de previsão entre subgrupos e criar métricas de desempenho conflitantes.

Significância e Alegações
Os autores alegam que seus achados expõem uma suposição crítica e não testada na neuroimagem populacional: que a estrutura de variância é suficientemente similar entre subgrupos para permitir fluxos de trabalho de inferência e predição padrão. O estudo demonstra que:

Estrutura de Variância como um Determinante: A estrutura de variância, em vez de apenas a tendência central (média), é uma propriedade estável e reprodutível que influencia significativamente o desempenho, a generalização e a confiabilidade do modelo.
Mecanismo de Viés: O artigo propõe que a heterocedasticidade racializada fornece uma explicação mecanística para o motivo pelo qual os modelos preditivos baseados em neuroimagem frequentemente performam pior para populações minoritárias, mesmo quando os dados de treinamento são equilibrados. O aumento da variância em participantes negros leva a um maior erro de previsão (MSE) e maior incerteza, o que as métricas padrão podem obscurecer.
Equidade e Tradução Clínica: Os autores argumentam que ignorar essas diferenças de variância pode exacerbar as disparidades de saúde ao implantar modelos não confiáveis em ambientes clínicos. Eles enfatizam que a "heterocedasticidade racializada" reflete exposições estruturadas socialmente que moldam a variabilidade, e não diferenças biológicas inerentes.
Imperativo Metodológico: O estudo conclui que a estrutura de variância deve ser examinada regularmente entre subgrupos como um passo analítico primário, em vez de uma suposição secundária. Eles sugerem que o trabalho futuro deve ir além do equilíbrio de médias para abordar a assimetria de variância para desenvolver modelos preditivos mais equitativos e precisos.

Os autores mantêm a modéstia quanto à generalizabilidade da magnitude dessas diferenças para todas as populações ou estágios de desenvolvimento, observando que o estudo é limitado a uma única coorte e categorização racial binária. No entanto, eles afirmam que a existência de tais diferenças de variância é um achado robusto que exige uma mudança na forma como os dados de neuroimagem são interpretados e modelados.