阿尔茨海默病分类模型不再把年龄当捷径：残差化去偏让认知正常与轻度认知障碍组的年龄相关性接近零
核心概要
在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。
正在载入内容…
在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。
年龄偏置可以在网络特征层面被显式扣除，而不必依赖对抗训练。 未去偏的基线模型在认知正常组中年龄与预测logit呈正相关（r=0.16±0.03），即年龄越大越容易被判为高风险。 在ADNI上训练、在AIBL与DELCODE外部队列上测试，PMDN把认知正常组的相关性降到r=-0.07±0.06，轻度认知障碍组从基线的0.19±0.07降到0.06±0.03。
去偏方案之间的差别主要体现在稳定性与概率可靠性，而不是区分能力。 三个模型的AUC相近，CF-Net与PMDN分别为0.82±0.02和0.82±0.01。 PMDN的平衡准确率为0.71±0.01，折间标准差不到0.02，约为基线（0.66±0.11）的十分之一、CF-Net（0.70±0.06）的五分之一；Brier分数0.22±0.01，基线为0.32±0.16。
把年龄效应当作广义线性模型中的协变量，在训练中交替更新网络权重与去偏系数。 原始元数据归一化方法在整个训练集上一次性最小二乘求解系数，批式训练会让系数逐批漂移。 PMDN在4096维编码器特征上回归3项元数据，以可微的双层优化交替更新权重与系数，惩罚权重取0.9，推理时只减去混杂分量。
事后校准改善的是概率估计本身，分类表现基本不变。 未校准的CNN输出校准误差最大，期望校准误差ECE为0.28、最大校准误差MCE为0.64。 逻辑回归与概率单位回归把ECE降到约0.13、MCE约0.29；等渗回归与贝叶斯分箱把ECE降到约0.07–0.08、MCE约0.19–0.20，同时准确率约0.77、F1约0.73保持不变。
结果覆盖ADNI训练、AIBL与DELCODE外部测试的三队列结构MRI设置，输入为全脑体素级灰质概率图，年龄是唯一显式处理的混杂变量。适用读者是关心医学影像模型公平性与概率校准的研究者与工程师。原文提出的下一步是把方法扩展到多混杂因素、更大更多样的队列，并引入海马或内侧颞叶等疾病相关区域输入作为补充。
去偏效果在诊断组间并不一致：AD组的年龄—预测相关性在三个模型中均持续存在，基线为0.15±0.07，CF-Net为0.17±0.07，PMDN为0.15±0.04，PMDN只是折间波动更小。PMDN以更大的绝对预测误差换取更好的校准，配对t检验中其预测误差显著高于基线（均值差-0.038，p<0.001）。原文还指出数据规模相对神经影像高维特征仍然有限，对抗训练也可能需要更长或更细致的调优。