2026.10.29 本研究首次将多元宇宙元分析（SDMA）应用于近4万例结构MRI数据，证实其能显著提升关联脑区聚类的发现与复现能力，但结果受参考模板空间形变影响，且提升表型预测精度的最优策略仍是模型堆叠。 Title题目 01 多元宇宙分析视角下的结构MRI：对脑区发现与表型预测精度的影响 Structural MRI in the analytic multiverse: Consequences on discovery and predictive accuracy 文献速递介绍 02 T1加权结构MRI存在大量可供选择的预处理流水线，不同软件在配准算法、灰度校正与组织分割上的微小差异会对下游灰质测量、脑与表型关联分析以及机器学习预测造成不可忽视的波动。既往研究表明，不存在单一最优的处理流水线，各方法均捕获了一定程度的独特生理信号。多元宇宙分析（Multiverse analysis）作为应对分析灵活性与可重复性危机的有力工具，已被用于功能MRI中整合多种分析路径。最新提出的同数据元分析（SDMA）允许直接结合不同预处理管线生成的全脑关联统计图（Z图），无需访问个体层面原始数据即可生成共识推断。然而，SDMA此前从未在结构MRI中经过检验，其在不同解剖空间转换下的空间形变影响以及对复杂表型的预测潜能均有待阐明。 Aastract摘要 03 针对T1加权结构磁共振成像（sMRI）中预处理流水线多样性引发的可重复性争议，本文首次将同数据元分析（SDMA）这一多元宇宙分析框架拓展至结构影像领域。基于英国生物银行（UK Biobank）近4万名受试者在三种主流体素管线（FSLVBM、FSLANAT、CAT12）下的灰质数据，研究系统评估了四种高脑形态关联表型的全脑关联发现、验证复现率及表型预测精度。结果表明，SDMA能显著提升脑区聚类的检出数量与独立样本复现率，发现单流水线漏检的小脑与皮层下关键区域，但其结果高度受制于跨模板配准参考空间的选择。此外，SDMA并未改善基于显著体素或BLUP权重的表型预测精度，而在决策层进行简单堆叠（Stacking）集成则能带来约23%的稳定预测增益。 Method方法 04 研究纳入英国生物银行（UK Biobank）中39,955名质量合格的成年参与者，按成像中心划分为发现集（第一中心，23,288人）和独立验证集（其余三个中心，16,538人）。所有图像分别经FSLVBM、FSLANAT以及CAT12三种体素形态学管线提取灰质特征，针对糖尿病、母亲怀孕期吸烟、高血压和饮酒频率四种具有高脑形态变异率（morphometricity）的表型进行全脑关联分析（BWAS），并严格校正人口学、扫描参数及人体测量学等混杂协变量。针对流水线间Z图的相关性，采用SDMA-Stouffer和广义最小二乘法（SDMA-GLS）进行加权融合。由于FSL与CAT12分别使用MNI152与IXI549模板且体素尺寸不同，研究通过ANTs非线性SyN配准与最近邻插值实现跨空间映射，并系统评估了雅可比行列式与位移形变。在预测分析中，对比了显著体素打分、最佳线性无偏预测（BLUP）跨空间迁移、SDMA融合BLUP权重以及基于各管线BLUP打分的决策层堆叠（Stacking）方法。 Discussion讨论 05 本研究证实SDMA能够有效汇总多流水线统计图以绘制更为全面、可复现的全脑关联图谱，但多元宇宙分析在结构影像中的落地面临模板空间投影带来的特殊技术壁垒。不同参考空间的选择会导致关联脑区集合产生差异，这意味着跨空间投影失真可能抵消多元宇宙的部分共识优势，因而SDMA在共用标准空间的管线间合并时能发挥最大效力。针对预测分析，SDMA的体素级融合无法超越单管线表现，而决策层堆叠以极低的计算代价有效利用了各管线捕获的互补特征，是提升预测精度的首选工具。作者同时呼吁学界关注多元宇宙分析高昂的算力消耗与碳排放成本，建议在方法学探索中平衡科学严谨性与环境可持续性，致力于推动影像预处理标准的合理精简与规范化。 Results结果 07 在脑区发现与可重复性方面，SDMA-GLS和SDMA-Stouffer表现相近，相较于单流水线分析，SDMA使显著聚类数量平均增加18%，并大幅提升了独立验证集中的聚类复现率（例如在CAT12空间中从单管线的5%跃升至21%），成功捕获了单流水线遗漏的小脑和皮层下区域。然而，参考空间的选择对结果具有决定性影响，例如糖尿病分析在CAT12参考空间与FSL参考空间下复现脑区的重叠比例偏低，表明非线性投影在脑边界、部分皮质下及小脑小叶处引入了局部位移与效应量衰减。在表型预测任务中，SDMA发现的额外聚类并未带来预测准确率的提升，表明新增区域包含较多共线性冗余信息或配准平滑假象；直接跨空间应用单流水线BLUP模型会导致显著的预测性能损失（损失达15%至50%）；采用SDMA融合BLUP权重仅能作为权衡方案减缓迁移衰减，依然低于同空间单模型；唯有决策层堆叠方法展现出显著优越性，预测准确率相较于单管线基准提升了7%至37%（平均约23%）。敏感性分析证实该结论在FDR校正及不同插值策略下保持高度稳健。 Figure图 08 图1. 该雷达图综合对比了单流水线分析（FSLVBM、FSLANAT、CAT12）与两种SDMA多元宇宙方法（SDMA GLS与SDMA Stouffer）在显著体素数、显著聚类数、体素复现率、聚类复现率、复现ROI数量以及预测准确率六项核心指标上的表现。结果表明SDMA显著增加了显著聚类的数量，并大幅提升了聚类水平的跨中心复现率（例如在CAT12空间从5%提升至约21%），但基于显著体素的表型预测相关系数与单流水线相比并未发生明显改变。图2. 该图展示了在发现集与验证集中均具有统计显著性的糖尿病相关灰质聚类解剖分布。前三列展示三种独立流水线各自识别的区域，后两列展示以FSL或CAT12为参考空间的SDMA GLS结果。结果清晰表明SDMA在小脑和深部核团中揭示了单流水线未能稳定检出的潜在关联脑区，但SDMA最终定位的脑区在很大程度上取决于所选定的参考模板空间，体现出跨空间映射带来的空间异质性影响。图3. 该箱线图展示了不同模型在独立测试集上相对于基准参考模型（单流水线训练并测试于同空间）的R方预测精度变化比例。直接将某一流水线训练的BLUP模型迁移至其他空间测试会导致性能大幅下降（尤其是CAT12模型迁移至FSL空间损失近半）；SDMA结合BLUP权重能部分弥补跨空间迁移损失，但仍落后于基准；相比之下，对各流水线预测结果进行简单的堆叠集成（Stacking）在所有参考空间中均显著超越单模型基准，预测准确率平均提升约23%。

医学影像的几何测量 | 多元宇宙分析视角下的结构MRI：对脑区发现与表型预测精度的影响文献速递 - 影像组学科研世界

医学影像的几何测量 | 多元宇宙分析视角下的结构MRI：对脑区发现与表型预测精度的影响文献速递

Oldlee

2026.10.29

本研究首次将多元宇宙元分析（SDMA）应用于近4万例结构MRI数据，证实其能显著提升关联脑区聚类的发现与复现能力，但结果受参考模板空间形变影响，且提升表型预测精度的最优策略仍是模型堆叠。

Title题目

多元宇宙分析视角下的结构MRI：对脑区发现与表型预测精度的影响

Structural MRI in the analytic multiverse: Consequences on discovery and predictive accuracy

文献速递介绍

T1加权结构MRI存在大量可供选择的预处理流水线，不同软件在配准算法、灰度校正与组织分割上的微小差异会对下游灰质测量、脑与表型关联分析以及机器学习预测造成不可忽视的波动。既往研究表明，不存在单一最优的处理流水线，各方法均捕获了一定程度的独特生理信号。多元宇宙分析（Multiverse analysis）作为应对分析灵活性与可重复性危机的有力工具，已被用于功能MRI中整合多种分析路径。最新提出的同数据元分析（SDMA）允许直接结合不同预处理管线生成的全脑关联统计图（Z图），无需访问个体层面原始数据即可生成共识推断。然而，SDMA此前从未在结构MRI中经过检验，其在不同解剖空间转换下的空间形变影响以及对复杂表型的预测潜能均有待阐明。

Aastract摘要

针对T1加权结构磁共振成像（sMRI）中预处理流水线多样性引发的可重复性争议，本文首次将同数据元分析（SDMA）这一多元宇宙分析框架拓展至结构影像领域。基于英国生物银行（UK Biobank）近4万名受试者在三种主流体素管线（FSLVBM、FSLANAT、CAT12）下的灰质数据，研究系统评估了四种高脑形态关联表型的全脑关联发现、验证复现率及表型预测精度。结果表明，SDMA能显著提升脑区聚类的检出数量与独立样本复现率，发现单流水线漏检的小脑与皮层下关键区域，但其结果高度受制于跨模板配准参考空间的选择。此外，SDMA并未改善基于显著体素或BLUP权重的表型预测精度，而在决策层进行简单堆叠（Stacking）集成则能带来约23%的稳定预测增益。

Method方法

研究纳入英国生物银行（UK Biobank）中39,955名质量合格的成年参与者，按成像中心划分为发现集（第一中心，23,288人）和独立验证集（其余三个中心，16,538人）。所有图像分别经FSLVBM、FSLANAT以及CAT12三种体素形态学管线提取灰质特征，针对糖尿病、母亲怀孕期吸烟、高血压和饮酒频率四种具有高脑形态变异率（morphometricity）的表型进行全脑关联分析（BWAS），并严格校正人口学、扫描参数及人体测量学等混杂协变量。针对流水线间Z图的相关性，采用SDMA-Stouffer和广义最小二乘法（SDMA-GLS）进行加权融合。由于FSL与CAT12分别使用MNI152与IXI549模板且体素尺寸不同，研究通过ANTs非线性SyN配准与最近邻插值实现跨空间映射，并系统评估了雅可比行列式与位移形变。在预测分析中，对比了显著体素打分、最佳线性无偏预测（BLUP）跨空间迁移、SDMA融合BLUP权重以及基于各管线BLUP打分的决策层堆叠（Stacking）方法。

Discussion讨论

本研究证实SDMA能够有效汇总多流水线统计图以绘制更为全面、可复现的全脑关联图谱，但多元宇宙分析在结构影像中的落地面临模板空间投影带来的特殊技术壁垒。不同参考空间的选择会导致关联脑区集合产生差异，这意味着跨空间投影失真可能抵消多元宇宙的部分共识优势，因而SDMA在共用标准空间的管线间合并时能发挥最大效力。针对预测分析，SDMA的体素级融合无法超越单管线表现，而决策层堆叠以极低的计算代价有效利用了各管线捕获的互补特征，是提升预测精度的首选工具。作者同时呼吁学界关注多元宇宙分析高昂的算力消耗与碳排放成本，建议在方法学探索中平衡科学严谨性与环境可持续性，致力于推动影像预处理标准的合理精简与规范化。

Results结果

在脑区发现与可重复性方面，SDMA-GLS和SDMA-Stouffer表现相近，相较于单流水线分析，SDMA使显著聚类数量平均增加18%，并大幅提升了独立验证集中的聚类复现率（例如在CAT12空间中从单管线的5%跃升至21%），成功捕获了单流水线遗漏的小脑和皮层下区域。然而，参考空间的选择对结果具有决定性影响，例如糖尿病分析在CAT12参考空间与FSL参考空间下复现脑区的重叠比例偏低，表明非线性投影在脑边界、部分皮质下及小脑小叶处引入了局部位移与效应量衰减。在表型预测任务中，SDMA发现的额外聚类并未带来预测准确率的提升，表明新增区域包含较多共线性冗余信息或配准平滑假象；直接跨空间应用单流水线BLUP模型会导致显著的预测性能损失（损失达15%至50%）；采用SDMA融合BLUP权重仅能作为权衡方案减缓迁移衰减，依然低于同空间单模型；唯有决策层堆叠方法展现出显著优越性，预测准确率相较于单管线基准提升了7%至37%（平均约23%）。敏感性分析证实该结论在FDR校正及不同插值策略下保持高度稳健。

Figure图

图1.

该雷达图综合对比了单流水线分析（FSLVBM、FSLANAT、CAT12）与两种SDMA多元宇宙方法（SDMA GLS与SDMA Stouffer）在显著体素数、显著聚类数、体素复现率、聚类复现率、复现ROI数量以及预测准确率六项核心指标上的表现。结果表明SDMA显著增加了显著聚类的数量，并大幅提升了聚类水平的跨中心复现率（例如在CAT12空间从5%提升至约21%），但基于显著体素的表型预测相关系数与单流水线相比并未发生明显改变。

图2.

该图展示了在发现集与验证集中均具有统计显著性的糖尿病相关灰质聚类解剖分布。前三列展示三种独立流水线各自识别的区域，后两列展示以FSL或CAT12为参考空间的SDMA GLS结果。结果清晰表明SDMA在小脑和深部核团中揭示了单流水线未能稳定检出的潜在关联脑区，但SDMA最终定位的脑区在很大程度上取决于所选定的参考模板空间，体现出跨空间映射带来的空间异质性影响。

图3.

该箱线图展示了不同模型在独立测试集上相对于基准参考模型（单流水线训练并测试于同空间）的R方预测精度变化比例。直接将某一流水线训练的BLUP模型迁移至其他空间测试会导致性能大幅下降（尤其是CAT12模型迁移至FSL空间损失近半）；SDMA结合BLUP权重能部分弥补跨空间迁移损失，但仍落后于基准；相比之下，对各流水线预测结果进行简单的堆叠集成（Stacking）在所有参考空间中均显著超越单模型基准，预测准确率平均提升约23%。