本研究是一篇发表于2024年4月《IEEE Journal of Biomedical and Health Informatics》第28卷第4期的原创研究论文，题为《识别帕金森病分类多中心MRI数据库中的偏见：疾病分类器是隐藏的站点分类器吗？》。论文的主要作者包括Raissa Souza、Anthony Winder、Emma A. M. Stanley、Vibujithan Vigneshwaran、Milton Camacho、Richard Camicioli、Oury Monchi、Matthias Wilms和Nils D. Forkert。作者们来自加拿大卡尔加里大学、阿尔伯塔大学、蒙特利尔大学等多个研究机构，通讯作者为Raissa Souza。

学术背景 本研究属于医学影像人工智能与神经科学交叉领域，具体关注深度学习模型在医学影像分析中的鲁棒性与可解释性问题。随着大型多中心医学影像数据库（如PPMI、UK Biobank）的建立和共享，利用这些数据训练机器学习模型进行疾病辅助诊断已成为趋势。共享数据可以增加数据的多样性和规模，理论上有利于训练出泛化能力更强的模型。然而，多中心数据不可避免地引入了复杂的“站点相关效应”，这些效应可能源于生物因素（如参与者年龄、性别、疾病特征分布）和非生物因素（如扫描仪型号、磁场强度、采集参数、各中心样本量差异等）。在疾病分类任务中，如果疾病标签与某些站点相关特征存在虚假相关性，深度学习模型可能会将其作为“捷径”来学习，从而在训练集上表现出色，但在面对来自新中心的数据时泛化性能急剧下降。这种现象被称为“捷径学习”。尽管已有研究提出偏倚缓解和数据协调等技术，但多数工作假设偏倚存在并直接应用这些技术，鲜有研究深入探究深度学习模型是否、以及如何在其特征空间中编码并利用了这些站点相关效应作为捷径。因此，本研究旨在填补这一空白，以帕金森病（Parkinson‘s Disease, PD）的T1加权磁共振成像（MRI）分类任务为具体案例，系统性地调查一个已训练好的深度学习模型的特征空间是否编码了性别、扫描仪类型和采集站点这三种潜在的偏倚信息，即使这些信息从未在原始训练中明确提供给模型。其核心目标是揭示模型可能依赖与病理无关的虚假相关性进行决策的风险，并为后续开发更有针对性的偏倚缓解策略提供依据。

详细工作流程 本研究的工作流程逻辑清晰，主要包含以下几个步骤：

1. 数据准备与预处理：研究使用了一个大型多中心帕金森病MRI数据库，共包含1880例T1加权MRI扫描（867例PD患者，1013例健康对照HS），这些数据来自41个不同的采集中心。数据库涵盖了多种非生物变异，包括不同的扫描仪厂商（西门子、GE、飞利浦）、19种扫描仪型号以及磁场强度（1.5T或3.0T）。所有数据遵循了与先前研究相同的预处理流程，以确保一致性。该流程包括：使用人工神经网络进行颅骨剥离、采用线性插值将图像重采样至1毫米各向同性分辨率、进行偏置场校正、使用仿射变换将图像配准到PD25-T1-MPAGE-1mm脑图谱，最后通过中心裁剪将图像尺寸统一为160×192×160体素以减少背景信息。

2. 帕金森病分类器的训练与基准：研究采用了一个先进的简单全卷积网络（SFCN）作为基础架构。该网络在先前工作中已证明能有效利用多中心T1加权MRI数据检测帕金森病。在本研究中，由于部分参与者缺少站点或扫描仪信息而被排除，最终用于分析的数据集包含867例PD和1013例HS。研究团队以此数据集重新训练了SFCN模型，用于二分类（PD vs. HS）任务。训练使用Adam优化器，并采用早停法保存验证集损失最小的模型。该重新训练的PD分类器在独立测试集上达到了74%的准确率，为后续的捷径学习分析建立了性能基准。

3. 捷径学习分析（核心实验）：这是本研究方法学的核心创新部分。为了探究已训练PD分类器的特征空间是否编码了偏倚信息，研究者采用了一种“冻结与微调”的策略。具体步骤如下：

   • 模型冻结：将上述训练好的PD分类器的所有权重冻结，即保持其所有卷积层等特征提取部分不变。
   • 分类头替换：仅替换模型的最后一层（输出层），将其改为一个新的线性层（全连接层），用于执行新的分类任务。
   • 偏倚分类任务：分别训练三个不同的新分类头，目标是利用PD分类器冻结部分所提取的固定特征，来预测三个潜在的偏倚变量：
     • 性别分类：二分类任务（男/女），输出层使用Sigmoid激活函数。
     • 站点分类：多分类任务（41个中心），输出层使用Softmax激活函数。
     • 扫描仪分类：多分类任务（19种型号），输出层使用Softmax激活函数。
   • 训练设置：每个偏倚分类器仅训练新添加的线性层，冻结的PD特征提取器部分不参与更新。训练同样使用Adam优化器和早停法。这种设计的巧妙之处在于，线性层只能在PD模型已形成的固定特征空间上构建一个线性决策平面。如果这些偏倚信息没有被编码在PD模型的深层特征中，那么仅凭一个线性层是无法有效完成性别、站点或扫描仪分类的。反之，高分类精度则强有力地表明，PD模型的特征空间确实“知道”这些信息。

4. 统计与中介分析：为了进一步确认这些偏倚变量是否被PD分类器用作决策的“捷径”，研究进行了深入的统计分析。

   • 关联性检验：使用Fisher精确检验（性别）和Fisher-Freeman-Halton精确检验（站点、扫描仪）来分析PD状态与性别、站点、扫描仪类型之间是否存在显著关联。
   • 中介分析：对于那些与PD状态显著相关的偏倚变量，研究进行了基于线性回归的中介分析。该分析旨在量化“偏倚变量”在多大程度上中介了“真实PD状态”与“模型预测的PD状态”之间的关系。简单来说，就是检验模型预测PD时，是否部分地通过识别该偏倚信息（如扫描仪型号）来做出判断。分析使用了Process宏并进行自助法（bootstrapping）以计算95%置信区间。

5. 评估与可视化：研究采用准确率、F1分数等指标定量评估PD分类器及各偏倚分类器的性能。同时，使用混淆矩阵直观展示分类器的敏感性与特异性。此外，还采用了UMAP降维投影技术对PD分类器的特征空间进行可视化，定性观察特征是否根据性别、站点或扫描仪类型形成了明显的聚类，从而提供直观证据。

主要结果 研究结果系统地回答了核心问题，并提供了多层次证据：

1. 偏倚分类器的高性能：尽管PD模型从未接受过性别、站点或扫描仪信息的明确训练，但其冻结的特征空间能够被新加的线性层有效利用，以高准确率预测这些偏倚变量。具体结果为：性别分类准确率75%，站点分类准确率71%，扫描仪分类准确率79%。这些准确率与PD分类器自身的准确率（74%）相当，甚至更高（扫描仪）。这直接证明，PD分类器的特征空间中编码了大量与病理不直接相关的站点、设备和人口统计学信息。

2. PD分类器性能的偏倚迹象：PD分类器本身的表现也显示出可能的偏倚。其敏感性（85%）远高于特异性（64%），意味着它更擅长识别患者而非健康人。性别分类器对男性（92%）的识别准确率远高于女性（45%），尽管数据集中性别分布相对平衡。这提示模型可能对不同亚组的表现不均衡。

3. 统计与中介分析的证据：

   • 性别：虽然性别分类性能不均衡，但统计检验显示PD状态与性别在数据集中无显著关联（p=0.676），中介分析也证实性别不是PD预测的中介变量。这表明在本研究的特定数据集中，性别未被用作主要的分类捷径。
   • 站点与扫描仪：PD状态在站点间（p<0.001）和扫描仪类型间（p<0.001）的分布存在显著差异。更重要的是，中介分析显示，站点和扫描仪类型均是真实PD状态与预测PD状态之间关联的显著（部分）中介变量。中介效应的大小甚至超过了直接效应。这意味着，模型预测一个样本是否为PD，在很大程度上依赖于该样本来自哪个站点、用哪种扫描仪采集的信息，而非纯粹的病理学特征。例如，模型可能将“使用特定扫描仪”与“患有帕金森病”错误地关联起来。

4. 可视化证据：UMAP可视化图清晰显示，PD分类器的特征空间中，不同扫描仪类型的数据形成了明显的聚类。站点数据的聚类虽然更复杂（融合了生物和非生物效应），但也可见区分。这为上述定量结果提供了直观的佐证。

结论与意义 本研究得出明确结论：在一个利用多中心MRI数据训练的帕金森病深度学习分类器中，其内部特征空间编码了大量与采集站点、扫描仪硬件相关的非生物信息，以及性别等生物信息。模型能够以高精度从这些特征中识别出采集来源，并且站点和扫描仪信息显著中介了疾病的预测过程。这表明，该PD分类器在相当程度上可能是一个“隐藏的站点/扫描仪分类器”，它利用了数据中存在的虚假相关性作为决策捷径。

这项研究的科学价值在于，它通过一个巧妙且可推广的实验范式，实证揭示了在多中心医学影像AI模型中普遍存在的“捷径学习”风险。它超越了仅仅假设偏倚存在或仅展示泛化失败的层面，而是深入模型内部，直接“探测”并量化了偏倚信息的存在及其对模型决策的影响机制。其应用价值在于警示研究者和临床开发者：仅仅依靠交叉验证或在内部测试集上取得高精度，并不足以保证模型学到了真正的疾病生物学特征。模型可能只是学会了识别数据来源的“指纹”。这解释了为何许多影像AI模型在应用于训练集之外的医疗中心数据时表现不佳。研究强调，在开发应用于多中心数据的AI模型时，进行此类深入的模型分析至关重要，它有助于识别特定的偏倚来源，从而指导选择或开发更具针对性的数据协调与偏倚缓解策略（例如对抗性去偏倚），最终提升模型的临床实用性和泛化能力。

研究亮点 1. 问题新颖且关键：聚焦于多中心医学影像AI模型的核心痛点——捷径学习与泛化失败，选题具有重要的现实意义。 2. 方法巧妙且具通用性：提出的“冻结特征层，重训练线性分类头以探测偏倚”的方法简单而有效，不依赖于复杂的对抗训练或数据生成，易于实施且可广泛应用于其他疾病模型和数据类型，成为检测模型潜在偏倚的实用工具。 3. 证据链完整：研究结合了高性能偏倚分类（直接证据）、统计关联性检验（数据基础证据）、中介效应分析（因果路径证据）以及可视化（直观证据），构成了一个完整、多层次、相互印证的证据体系，结论非常有力。 4. 数据库规模大且多样：研究基于一个包含41个中心、1880例扫描的大规模、高度异质性数据库，其结果更具说服力和普遍参考价值。 5. 推动领域方法论发展：研究明确指出，在应用偏倚缓解技术前，应先使用类似方法确认偏倚的存在及其性质，避免盲目应用技术可能带来的性能损害，对未来的研究范式具有指导意义。

其他有价值内容 论文在讨论部分还深入分析了不同偏倚的性质。例如，指出“站点偏倚”常被等同于“扫描仪偏倚”，但一个站点可能使用多种扫描仪，且站点偏倚还包含患者分布（如疾病阶段、健康对照比例）等更复杂的因素。此外，研究也坦承了其局限性，如线性探测方法的局限性（但同时也指出其避免引入新特征的优点）、仅针对单一模型和单一模态（T1 MRI）的结论外推需谨慎等，体现了科学的严谨性。最后，作者公开了研究代码，促进了研究的可重复性与方法的推广。