通过特征白化提高线性神经影像模型的临床可解释性
机器学习
2026-04-23 v1
摘要
线性模型广泛用于计算神经影像学，以识别与脑病理相关的生物标志物。然而，解释学习到的权重仍然具有挑战性，因为它们并不总能产生有临床意义的见解。这种困难部分源于脑区之间的固有相关性，这导致线性权重反映的是共享的而非区域特异性的贡献。特别是，一些区域组，包括左右半球的同源结构，已知表现出很强的解剖相关性。在这项工作中，我们利用这一先验的神经解剖学知识，引入了一种白化方法，应用于已知具有共享方差的区域组，旨在解开相关脑测量之间的重叠信息。我们还提出了一种正则化变体，允许对去相关程度进行受控调整。我们使用感兴趣区域特征在两个精神病学分类任务中评估了这种方法，即区分双相情感障碍或精神分裂症患者与健康对照。重要的是，与使用白化作为降维步骤的 PCA 或 ICA 不同，我们的方法对解剖学上相关的成对神经解剖区域进行去相关，同时保留完整的输入信号，使其特别适用于特征解释而非特征选择。我们的研究结果表明，白化在保持预测性能的同时提高了模型权重的可解释性，为将线性模型输出与神经生物学机制联系起来提供了一个稳健的框架。
引用
@article{arxiv.2604.20675,
title = {Improving clinical interpretability of linear neuroimaging models through feature whitening},
author = {Sara Petiton and Antoine Grigis and Raphaël Vock and Edouard Duchesnay},
journal= {arXiv preprint arXiv:2604.20675},
year = {2026}
}