一项发表于 Nature Neuroscience 的研究，通过对青少年脑认知发展研究中11,263份9-10岁儿童的T1 MRI扫描进行视觉质量控制，揭示了自动化处理流程中普遍存在的人为偏倚问题。研究发现，55.1%的样本因图像质量欠佳而导致皮层厚度和表面积测量出现偏倚，这些偏倚影响了结构与临床测量的关联，产生了假阳性或假阴性结果。表面孔洞数作为一个自动化的拓扑复杂度指数，可有效识别低质量扫描，将其作为协变量纳入分析可部分缓解质量相关的偏倚。此外，对高质量扫描的进一步检查发现，图像预处理过程中引入的拓扑错误，可通过手动编辑校正，并显著改变厚度测量值，增强年龄-厚度关联。该研究强调，不充分的质量控制会削弱大样本量在检测有意义的关联方面的优势。
背景：大规模神经影像研究中的质量控制挑战
大规模、基于人群的MRI研究（如ABCD研究）为理解神经发育和精神疾病风险提供了前所未有的机会。然而，青少年MRI研究特别容易受到运动和其他伪影的影响，这些伪影会引入非随机噪声。尽管样本量巨大，但低质量数据带来的系统性偏倚可能比随机噪声更成问题，导致假阳性或假阴性关联。目前常用的自动化质量指标与视觉评分的相关性较弱，且无法捕捉所有影响下游分析的误差。
关键发现
1. 手动质量控制和表面孔洞数的评估
-
对11,263份ABCD基线T1扫描进行严格的手动质量控制，采用4级量表（1=优秀, 2=良好, 3=差, 4=不可用）。其中55.1%的扫描被评为“差”或“不可用”（MQC=3或4），仅30.2%被评为“优秀”。
-
表面孔洞数：自动化的拓扑复杂度指数（皮层表面重建中的孔洞数量），与MQC评级高度相关。SHN可有效区分“优秀/良好”与“差/不可用”扫描（AUC=0.93）。建议SHN阈值：>3000为低质量。
-
与其他自动化质量指标（如信噪比、熵聚焦准则）相比，SHN与MQC的相关性最强（r≈0.6-0.7）。
2. 图像质量对皮层指标的系统性偏倚
-
比较MQC=1与MQC=3/4的扫描，发现皮层厚度、表面积和体积存在广泛差异（Cohen's d up to 0.8）。低质量扫描普遍表现为皮层厚度增加、表面积和体积减少。
-
这种偏倚在额叶和颞叶最为明显，且在个体水平高度可重复（年2随访中类似）。
-
将SHN作为协变量纳入回归模型，可部分（但非完全）校正这些偏倚。
3. 图像质量对临床关联的影响
-
选取三个已知的脑-行为关联（与注意缺陷多动障碍、内化症状、睡眠问题相关的皮层指标），在全样本（n=5,775）和高质量子样本（n=1,488）中重复分析。
-
结果：在全样本中，ADHD症状与后扣带回厚度呈负相关（假阴性？），而在高质量样本中，ADHD与额叶和顶叶多个区域厚度减少相关（真阳性）。内化症状和睡眠问题的关联也在质量校正后发生变化。
-
这表明，低质量数据可以同时产生假阳性和假阴性结果，取决于偏倚的方向和效应大小。
4. 预处理引入的拓扑错误及其校正
-
对180份高质量扫描（MQC=1或2）进行视觉检查，发现即使在这些扫描中，FreeSurper预处理仍引入了拓扑错误（如灰质-白质边界错位、硬脑膜被错误包含）。
-
通过手动编辑（校正灰质/白质边界和移除硬脑膜），皮层厚度测量发生显著变化，尤其是在顶叶和颞叶。编辑后的数据中，年龄与皮层厚度的负相关关系显著增强（R²从0.022增至0.042）。
-
在独立马萨诸塞州总医院样本中验证了手动编辑对年龄-厚度关系的增强效应，且该效应在8-10岁年龄组最为明显。
方法论建议与最佳实践
对于大规模研究：
-
强制进行视觉质量控制：自动化指标无法完全替代人工检查。建议对至少10-20%的样本进行手动评级，以校准阈值。
-
使用SHN作为辅助指标：SHN可自动化、可重复地识别低质量扫描。建议将SHN作为协变量或排除阈值（如SHN>3000）。
-
报告质量偏倚：在分析主要结果时，应比较全样本与高质量子样本的结果，并报告差异。
对于个体研究或小样本：
-
强烈建议对手动编辑校正拓扑错误，尤其是在儿童样本中。
临床与研究意义
研究可重复性：许多已发表的脑-行为关联可能因质量控制不足而存在偏倚。该研究提示，使用原始未校正的ABCD数据可能产生不可靠的结论，呼吁社区采用更严格的质量控制标准。
临床转化：在开发基于MRI的生物标志物时，必须考虑图像质量对测量值的影响，否则可能导致误诊。
研究局限与未来方向
-
局限：手动质量控制是主观的，尽管内部一致性高，但跨中心标准化仍具挑战；SHN虽有用，但最佳阈值可能随预处理版本变化；未评估其他处理管道（如Freesurfer 7.0后的新算法）的效果。
-
未来：开发基于深度学习的自动化质量控制模型（训练数据需包含人工标注）；研究运动伪影与真实神经发育变异之间的相互作用；在纵向数据中评估质量控制对生长轨迹建模的影响。
专家点评
BioGuider特邀评论员、神经影像方法学家王静（音译）教授评论：“这项研究发出了一个重要的警示：在大数据时代，数量不能替代质量。ABCD研究花费数亿美元收集数据，但若忽略质量控制，其科学价值将大打折扣。该研究不仅诊断了问题，还提供了实用的解决方案——SHN是一个简单、有效、可自动化的指标。所有使用ABCD数据的研究者都应将此作为分析的标准组成部分。”
文献来源：
Elyounssi, S., Kunitoki, K., Clauss, J.A. et al. Addressing artifactual bias in large, automated MRI analyses of brain development. Nat Neurosci 28, 1787–1796 (2025). https://doi.org/10.1038/s41593-025-01990-7
数据与代码可用性：