重新评估神经影像学中的特异性：显著性网络与方法学严谨性的启示
统计方法学
2025-01-07 v1
摘要
准确评估神经影像学特异性对于增进我们对脑部疾病的理解至关重要。当前方法通常依赖频率学派方法和有限的跨病理比较，导致对特异性的潜在高估。本研究批判了这些局限性，强调了频率学派方法在特异性计算中的固有缺陷以及全面对照条件的必要性。通过回顾贝叶斯框架，我们展示了其在评估特异性方面的优越性，该框架结合了概率建模和稳健的反向推理。本研究还强调了明确定义的对照条件在缓解脑病理之间重叠方面的关键作用，特别是在显著性网络等共享网络内。通过应用 BACON 等贝叶斯工具，我们验证了推导疾病特异性模式的能力，并将其与频率学派分析较窄的发现进行了对比。本文强调了贝叶斯方法和广泛的荟萃分析数据集在克服现有挑战中的重要性，最终为更精确的神经影像学研究铺平道路。
引用
@article{arxiv.2501.02568,
title = {Reevaluating Specificity in Neuroimaging: Implications for the Salience Network and Methodological Rigor},
author = {Tommaso Costa and Franco Cauda},
journal= {arXiv preprint arXiv:2501.02568},
year = {2025}
}