Why Variance Metrics Cannot Validate ComBat Harmonization: Evidence from Three-Vendor Mammography Radiomics
本研究表明，传统的基于方差的指标对 ComBat 谐调（harmonization）提供了循环论证且具有误导性的验证，因为它们无法检测出持续存在的非线性厂商特有模式以及生物信号丢失，从而必须使用独立的非线性可分性测试来真正评估跨厂商的可比性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下这样一个世界：医生可以通过将医学影像中细微的纹理转化为数千个精确的数字来诊断疾病。这一被称为“影像组学”（radiomics）的领域，将人体影像转化为计算机可以分析的数据，从而识别肿瘤或预测患者对治疗的反应。然而，一个重大问题威胁着这一前景：这些数字会根据拍摄图像的机器不同而发生变化。来自一家制造商的扫描图像与同一位患者在另一家公司机器上拍摄的扫描图像看起来并不相同。这些差异是由设备而非患者健康状况引起的，造成了一道障碍，阻碍了医生合并来自不同医院的数据。为了解决这个问题，研究人员使用了一种名为 ComBat 的统计工具，它就像一个翻译官，调整这些数字，使它们看起来像是出自同一台机器。多年来，科学家们通过测量不同组别之间的数值差异程度来检查这个工具是否奏效。如果差异消失了，他们就认为翻译成功了。但一项新的研究表明，这种检查方法存在缺陷，可能会提供一种虚假的安全感，同时掩盖了最重要的差异。
在一项针对全场数字乳腺摄影（full-field digital mammography）用于乳腺癌筛查的研究中，研究人员旨在测试这种标准的检查方法是否真的有效。他们从三家不同的医院收集了图像，每家医院都使用来自不同制造商的乳腺摄影机。研究人员从这些图像中仔细勾勒出肿瘤轮廓，并提取了 59 种不同的纹理特征，即用于描述组织形状和模式的具体数字。随后，他们应用 ComBat 工具来协调数据，希望能消除每台机器留下的独特“指纹”。遵循该领域的常规做法，他们首先使用衡量方差（即数字分布的离散程度）的标准统计测试来检查结果。正如预期，这些测试显示机器之间的差异已经消失。方差降至接近于零，统计测试宣布数据已成功实现协调。
然而，研究人员并未止步于此。他们怀疑，虽然数字的简单分布可能得到了修复，但数字之间更深层、更复杂的相互关系可能仍然带有机器的特征。为了测试这一点，他们使用了一种不同的检查方式：他们要求一台计算机充当侦探，根据协调后的数据来猜测每张扫描图是由哪台机器拍摄的。他们使用了两种类型的侦探：一种寻找简单的直线模式，另一种可以识别数据中复杂曲线模式。那个简单的侦探失败了，其猜测准确率并不比随机猜测高，这与标准方差测试的结果相符。但是，那个能够看到数据中隐藏结构的复杂侦探表现得非常出色。它以 100% 的准确率识别出了每一张扫描图所属的正确机器。这表明，虽然该工具平滑了表面差异，但它完整地保留了制造商留下的深层、非线性的指纹。
研究还揭示了在没有额外谨慎的情况下使用该工具所带来的一个更危险的副作用。在他们的数据中，肿瘤的大小恰好与所使用的机器相关联，这是由于患者收集方式导致的一个巧合。当研究人员应用标准版本的工具时，它在消除机器差异的同时，也意外地抹去了真实的生物学差异——肿瘤大小。数据不再显示不同组别间肿瘤大小的差异，实际上删除了一个有意义的医学事实。一个旨在保护生物学信息的更谨慎版本的工具保留了肿瘤大小的独特性，但研究人员指出，由于其中一台机器的数据仅包含大型肿瘤，导致各组无法完美平衡，因此这种方法在他们的特定设置中难以使用。
研究结果表明，目前证明医疗数据已准备好进行合并的标准是不充分的。仅仅依靠测量简单变化的测试来检查数据是否准备就绪，就像仅通过倾听是否有大喊大叫来检查房间是否安静一样；它会错过仍在进行的低语。研究人员认为，要真正知道来自不同机器的数据是否可以可靠地合并，科学家必须使用更严格的测试，去寻找这些隐藏的、复杂的模式。他们发现，即使在应用了标准工具之后，拍摄图像的机器仍能被百分之百确定地识别出来，且真实的生物学信号可能会丢失。这并不意味着该工具是无用的，但这意味着仅凭简单的统计数据就宣布成功是过于草率的。为了让影像组学真正造福不同医院的患者，用于合并数据的手段必须通过其保护患者生物学复杂真相的能力来评判，而不仅仅是通过其使数字在表面上看起来一致的能力。
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。