透過混合潛在空間建模無監督學習結構連線組中的採集變異性
研究提出了一種無監督框架，透過架構退火技術移除手動容量調整，使模型能夠自適應平衡離散和連續潛在變數，從而有效分離dMRI結構連線組中的採集相關變異與生物學變異。在包含7,416個結構連線組（涵蓋2-102歲、13項研究、25種採集引數組合）的資料集上評估，架構退火方法在站點學習方面優於標準VAE、PCA及僅透過損失函式退火的混合模型（ARI=0.53，p<0.05）。
擴散磁共振成像（dMRI）的結構連線組分析在多中心研究中面臨一個關鍵挑戰：不同站點、掃描器和採集協議引入的變異性往往與生物學變異（如年齡、疾病）混雜在一起，嚴重影響後續分析的可靠性。傳統降維方法（如PCA）將所有變異視為連續變數，導致採集效應被吸收到連續潛在空間中，難以分離。近年來，混合潛在空間模型（如VAE的變體）透過結合離散和連續元件來建模類別結構和連續變化，但通常需要手動調整離散元件的容量，以確保其捕獲預期的採集相關變異，這一過程既繁瑣又主觀。
來自多機構的研究團隊提出了一種名為Joint-VAE的無監督框架，透過架構退火（architectural annealing）技巧徹底消除了手動容量調整的需要。該方法在解碼前對編碼器輸出進行架構退火，使得模型在訓練過程中能夠自適應地平衡離散和連續潛在變數，無需任何人工干預。具體來說，Joint-VAE在編碼器之後、解碼器之前插入一個可學習的退火機制，動態調節離散和連續路徑的權重，從而讓模型自主決定將哪些變異歸因於離散的採集類別，哪些歸因於連續的生物因素。
為了嚴格評估該方法的有效性，研究者精心整理了一個大規模資料集，包含來自13項研究的7,416個dMRI結構連線組，覆蓋年齡範圍2至102歲，涉及25種獨特的採集引數組合。其中5,900個樣本來自認知正常個體，877個為輕度認知障礙（MCI），639個為阿爾茨海默病（AD）。研究將Joint-VAE與標準VAE、PCA結合k-means聚類、以及僅透過損失函式退火的混合模型進行對比。結果以調整蘭德指數（ARI）為指標，架構退火方法在站點學習任務上取得ARI=0.53（p<0.05），顯著優於所有基線方法。
這一成果表明，透過聯合建模平滑結構和分類結構，Joint-VAE能夠無監督地恢復與掃描器和協議差異高度對齊的聚類，同時保留年齡、疾病等連續生物變數的資訊。該框架為dMRI資料分析中採集變異的自動化處理提供了全新思路，有望廣泛應用於多中心神經影像研究，提升連線組學分析的可靠性和可重複性。