Diagnose Harmonisation (DHARM): An open-source tool for the harmonisation and analysis of batch effects in MRI-derived measures.
本文介绍了 DHARM，这是一个开源 Python 工具箱，它提供了一个标准化的多准则框架，用于诊断、应用和评估 MRI 协调方法，以有效地减少技术批效应，同时保留具有生物学意义的信号。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
磁共振成像（MRI）彻底改变了我们观察人体内部的方式，为人类大脑的结构与功能提供了一个非侵入性的窗口。几十年来，研究人员一直依赖于在单一地点使用单一机器来收集数据，以确保每一次扫描都在完全相同的条件下进行。然而，随着科学界试图回答关于衰老、疾病和发育等更宏大的课题，将来自许多不同医院和扫描仪的数据进行整合变得至关重要。挑战在于，每台 MRI 机器都略有不同，且每家医院都有其特定的成像程序。这些技术差异就像一种持续存在的背景噪声，在数据中创造了系统性偏差，而这些偏差与被扫描者的生物学特征无关。如果研究人员试图比较伦敦患者与牛津患者的大脑测量值，其差异可能反映的是机器的不同，而非患者本身的差异，这可能会导致错误的结论。
为了解决这个问题，科学家们开发了统计方法来平滑这些技术差异，这一过程被称为“协调化”（harmonisation）。其目标是在保留真实生物信号的同时，去除由设备引入的噪声。然而，长期以来，一直缺乏一种标准化的方法来检查这些方法是否真正奏效。不同的研究小组使用不同的测试来判断成功与否，这使得人们难以了解哪种方法最适合特定情况，或者某种方法是否在清理噪声时意外抹去了重要的生物学细节。这种缺乏统一评估语言的状态，让研究人员在面对合并后的数据集时只能靠猜测。
为了应对这种不确定性，来自牛津大学和诺丁汉大学的一个研究团队推出了一款名为 DHARM（意为“诊断协调化”，Diagnose Harmonisation）的新型开源软件工具。DHARM 并非提供一个单一的“灵丹妙药”，而是提供了一个综合性的工具包，用于精确诊断数据集中存在哪种类型的技术噪声，并严格测试所选方法是否成功消除了这些噪声。研究人员开发 DHARM 的初衷是使其成为一个通用的“裁判”，允许科学家应用各种协调化技术，然后通过一系列清晰的视觉报告和统计检查，立即观察每种方法的表现如何。该工具设计灵活，既能处理单一时间点的截面数据，也能处理从同一人群中经过多年收集的重复测量数据，确保能够尊重重复测量之间复杂的关联关系。
该团队通过将 DHARM 应用于来自多个大型研究的真实世界数据，展示了其强大的功能，其中包括 UK Biobank 以及一个在多种不同机器上对健康志愿者进行扫描的专门数据集。他们将原始的、未经协调的数据输入其中，并运行了五种不同的协调化方法，涵盖了从简单的统计修正到考虑数据形状的更复杂模型。结果显示，虽然所有方法都能很好地减少平均测量值的明显差异，但它们在其他方面的表现并不均衡。有些方法成功对齐了平均值，却留下了个体间数据变异性的差异；而另一些方法则在保留不同大脑特征之间的自然关系方面表现欠佳。
至关重要的是，该工具表明，在某项指标上看似成功的技术，在另一项指标上可能会失败。例如，某种技术可能使不同扫描仪下的平均脑容量看起来一致，但它可能会无意中扭曲脑容量的自然变异，或掩盖脑容量与年龄之间的联系。通过使用一系列不同的测试，DHARM 让研究人员能够清晰地看到这些权衡取舍。他们发现，同时调整平均值和数据分布的方法通常整体表现更好，但即使是最好的方法，也会根据扫描仪的具体特性留下一些残余差异。该工具还强调，在同一人在多次扫描的研究中，必须考虑到来自同一个人的重复扫描并非相互独立的这一事实；忽视这一点会导致关于测量一致性的结论产生误导。
演示证实了并不存在适用于所有情况的单一“最佳”方法。相反，正确的选择取决于具体的数据情况以及所探讨的生物学问题。对于纠正简单的平均值偏移效果良好的方法，可能并不适用于数据差异更为复杂或生物信号呈非线性特征的情况。DHARM 使研究人员能够超越“一刀切”的方法，通过提供一种透明且基于证据的方式来进行横向对比。它让研究人员不仅能询问噪声是否已减少，还能确认真实的生物学故事是否依然清晰且完整。
通过将这些多样化的检查整合进一个用户友好的工作流中，研究人员为该领域提供了一种让协调化过程变得更加可靠且可重复的方法。该工具不仅仅是告诉科学家数据变得更“干净”了，它还会展示数据发生了怎样的变化以及哪些特征被保留了下来。这种细节水平对于建立对大规模多中心研究的信心至关重要，确保关于人类健康的结论是基于生物学本身，而非基于特定机器的特性。DHARM 的引入标志着神经影像学向更严谨标准的转变，在这种标准下，数据清洗的成功是通过对数据健康状况的全方位评估来衡量的，而非仅仅依靠一个可能具有误导性的单一数值。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。