Normative modeling in neuroimaging across psychiatric and neurological disorders: a systematic review and the NORMA reporting checklist
这项针对 122 项神经影像学研究的系统综述强调了精神病学和神经病学向个体化常模建模的转变，识别了实证基础和报告透明度方面的关键空白，并引入了 18 项 NORMA 清单，以标准化模型的构建、验证和临床应用。
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
想象一下，你是一名医生，正试图弄清楚一个孩子是否在健康成长。一个多世纪以来，你不仅仅是在问：“这组孩子是不是比那组孩子更高？”相反，你会拿出一张生长曲线图。这张图表显示了每个年龄和性别的高度正常范围。你不仅仅是看平均值；你观察的是这个特定孩子落在曲线的哪个位置。如果他们远远偏离了图表，那就是可能出现问题的线索。这就是“常模建模”（normative modeling）的力量。
几十年来，脑科学家一直试图通过将患者群体的平均大脑与健康人群的平均大脑进行比较，来理解精神和神经系统疾病（如精神分裂症或自闭症）。这就像是比较篮球队的平均身高和足球队的平均身高。但这种方法有一个巨大的缺陷：它把组内的每个人都视为完全相同的个体。事实上，大脑是非常复杂的。两个患有相同诊断结果的人可能有完全不同的大脑问题，而两个不同诊断结果的人也可能拥有相同的大脑特征。这种“平均”大脑往往掩盖了坐在你面前的那个人独特的、个体的故事。这篇论文提出了一个至关重要的问题：我们能否最终从“比较群体”转向“理解个体”，以及我们做得对不对？
大局观：一项系统综述
这篇论文是一项大规模的“系统综述”，本质上是一场极其详细的寻宝活动。由中岛慎一郎路克（Shinichiro Luke Nakajima）及其研究团队领导的作者们，搜寻了科学文献，试图找到所有尝试使用这种“生长曲线图”方法进行大脑研究的研究。他们找到了 122 项符合条件的项研究，发表于 2018 年至 2025 年初之间。
以下是他们对该领域现状的发现：
1. 工具正在变得更高级
科学家们正在升级他们的数学工具。过去，大多数研究使用一种称为高斯过程回归（GPR）的方法。但最近，该领域已转向更复杂、更灵活的方法，特别是贝叶斯回归（Bayesian regression）和分布回归（distributional regression）。你可以把它想象成从一把简单的直尺升级到了 3D 扫描仪，它不仅能测量平均高度，还能测量人们在高度和形状上的差异程度。到 2024 年，这些更新的方法已被用于近 60% 的研究中。
2. “参考组”问题
要建立一张大脑生长图，你需要一个庞大的、健康的参考组来定义什么是“正常”。作者发现，虽然有些研究使用了海量数据集（高达 77,157 人！），但中位数研究仅使用了 642 人。这对于精准绘制极端情况的地图来说规模有点小。
更重要的是，这张“地图”往往存在偏差。许多研究者依赖的最大型数据集主要来自英国和美国，且绝大多数是白人。论文指出，如果你的参考地图主要是为某一类人绘制的，那么对于其他背景的人来说，“偏差得分”（即患者偏离地图的程度）可能会出错。这就像是用针对成年人的生长曲线图来测量幼儿；数字看起来可能“异常”，但这仅仅是因为图表是为错误的群体设计的。
3. “黑箱”验证问题
这是本文最大的担忧。仅仅建立了一个高级模型并不意味着它在面对新的人群时依然有效。作者发现，只有 8% 的研究报告了外部验证（external validation）——即在来自不同地方的完全不同的健康人群中测试该模型。
想象一下，有一个天气应用在你的城市预测降雨非常准确，但从未在邻近的城镇进行过测试。如果你把那个应用带到下一个城镇，你根本不知道它是否有效。论文建议，如果没有这一步，我们无法确定发现的“异常”大脑得分是真实的，还是仅仅是模型的误差。
4. 缺失的细节
研究人员还注意到，许多研究并没有讲述完整的故事。虽然几乎所有人都报告了研究内容，但只有不到一半的研究充分解释了他们是如何构建模型的，或者他们的患者群体究竟是谁。他们是否考虑了药物因素？他们是否检查了其他健康问题？如果没有这些细节，就很难对研究进行比较或信任其结果。
解决方案：NORMA 清单
由于该领域发展迅速但报告标准极不一致，作者创建了一个名为 NORMA（常模建模评估）的新工具。这是一个包含 18 个项目的清单，就像飞行员的起飞前安全检查单。它强制要求研究人员透明地说明：
- 他们如何构建其参考组。
- 他们如何处理不同扫描仪或医院之间的差异。
- 他们如何验证其模型。
- 他们如何解读结果并应用于患者。
底线结论
论文得出结论：虽然创建这些个体大脑图谱的方法正在变得更好、更精密，但其基础仍然是不稳固的。技术已经准备好帮助医生进行个体化治疗，但数据和报告标准尚未达到要求。
作者建议，在拥有更大规模、更多样化的参考组，并且研究人员开始对不同人群进行严格的外部验证之前，这些个体“偏差得分”应被视为强大的研究工具，而非成熟的临床决策工具。我们正在建造引擎，但在上路行驶之前，我们仍需确保地图对每个人都是准确的。
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。