协方差特征空间能否解释 MCI 中脑龄差的纵向效应？

两组淀粉样蛋白人群每年相差 0.375 年

这篇论文要回答的是：脑龄差中的一项纵向效应，能否追溯到协方差神经网络（VNN）做预测时所依赖的潜在结构。脑龄差指模型根据 MRI 预测的脑龄与个人实际年龄之差。这里研究的效应不是某一个人的预测值，而是这一差值变化速度的组间差异：在轻度认知障碍（MCI）人群中，淀粉样蛋白阳性参与者的脑龄差增长比阴性参与者快多少？

纵向样本来自阿尔茨海默病神经影像学计划：基线时有 464 名 MCI 参与者，共 2,278 次扫描，每人至少有两次 MRI 时间点。淀粉样蛋白状态取自 PET 记录，并与基线 60 天内的 MRI 一对一匹配，得到 253 名阳性和 211 名阴性参与者。线性混合模型校正了基线年龄、性别和教育程度，并考虑了重复访视。模型估计，淀粉样蛋白阳性组的年脑龄差每年多增加 0.375 年（95% CR1 CI：0.153 至 0.597）。下文所有归因都以这个 0.375 年/年作为净对比的基准。

设计中有两点会影响对结果的解读。预测模型是在 934 名认知正常参与者上训练的，而不是在被分析的 MCI 队列上训练；年龄校正使用了折外预测。校正前的评估 MAE 为 4.81 年，作者也指出，仅凭 MAE 并不能确立疾病敏感性。此外，这项分析只涉及单个队列中的一项纵向对比。

滤波器按特征值缩放特征向量投影

VNN 是一种图神经网络，它作用在皮层特征的样本协方差矩阵上。每次扫描由 FreeSurfer 测得的 68 个 Desikan–Killiany 区域皮层厚度描述，并按训练集均值和标准差标准化。对这些特征做迹归一化后的协方差矩阵被分解为特征向量，按特征值从大到小排列。每个特征向量都是跨脑区厚度的一种协同模式，所有特征向量共同构成一个潜在坐标系，网络中的所有滤波器共享这一坐标系。

关键机制在于：协方差滤波器是协方差矩阵的矩阵多项式。把它作用于输入时，它会按特征值以及滤波器学到的系数所决定的倍数，缩放输入在每个特征向量上的投影。由于所有滤波器共享同一组方向，扫描在这些方向上的投影就成了追问网络在响应什么的自然坐标。

归因使用积分梯度（IG），它把一次扫描的预测值与固定参考输入的预测值之间的差异，分摊到各个坐标上。参考输入是认知正常队列的训练均值。IG 贯穿整个网络计算，包括激活函数和最后的平均，并在两套坐标系中分别进行：68 个单独脑区，以及协方差特征向量。由于混合模型的协方差参数一旦固定，其估计值对结果是线性的，因此每次扫描的 IG 贡献可以乘上拟合模型的观测权重，使各贡献之和在积分误差范围内等于所报告的斜率差异。

EV1 占 83.2%，各脑区均低于 7.7%

在潜在分解中，主特征向量（EV1）贡献了 0.312 年/年（95% CR1 CI：0.173 至 0.451），占 0.375 年/年净对比的 83.2%。第 2 至第 68 个特征向量合计贡献 0.0629 年/年（95% CR1 CI：−0.0474 至 0.173），占 16.8%。它们的绝对贡献之和为 0.219 年/年，作者认为这说明正负贡献相互抵消，而不是总影响很小。

区域分解则把同一拟合效应摊得很薄。贡献最大的单个脑区是左侧顶下小叶，为 0.0290 年/年（95% CR1 CI：0.0137 至 0.0443），占 7.7%；右侧颞中回紧随其后，为 0.0284 年/年，占 7.6%。这是同一效应的两种不同分配方式，而不是对同一量的两次竞争性测量。特征向量的贡献并不等于若干区域 IG 条目之和，因为在潜在计算中，位移和梯度是分别旋转的。

有一个数字容易与核心结论混淆：EV1 解释了 32.5% 的训练方差。这是协方差矩阵的性质，与纵向对比无关。83.2% 是 EV1 在拟合的组间斜率差异中所占的份额，两个百分比回答的是不同问题。

保留或移除 EV1 可复现归因拆分

仅凭归因本身，并不能说明网络确实按归因所暗示的方式使用某个方向。因此作者修改了每次扫描相对参考输入的位移，只保留其 EV1 分量，或者移除 EV1 而保留其他所有协方差坐标。VNN、参考输入和观测权重保持不变，再用修改后的预测值重新计算校正后的组间差异。

只保留 EV1 时，对比为 0.296 年/年（95% CR1 CI：0.159 至 0.432）；移除 EV1 时为 0.0622（95% CR1 CI：−0.0507 至 0.175）。与 IG 贡献相比，只保留 EV1 的对比与 EV1 贡献相差 −0.0164（配对 95% CR1 CI：−0.0458 至 0.0129），移除 EV1 的对比与 EV2–68 贡献相差 −0.0007（配对 95% CR1 CI：−0.0140 至 0.0126）。在使用原始观测权重时，干预与 IG 的点估计最多相差 0.017 年/年，约为 EV1 贡献的 5%。

作者明确指出，这种一致性并不是 IG 完备性所保证的，因为完备性只固定了归因之和；改变一个协方差分量，也可能改变网络对其他分量的敏感度。这项干预检验的是拟合后的 VNN 如何响应，而不是证明同一方向驱动了疾病生物学。

去掉混合模型会改变总量

这一分解依赖于复用拟合模型的观测权重，论文也展示了不用这些权重会发生什么。一种更简单的做法忽略混合模型：对每位参与者，把各分量的 IG 对时间拟合最小二乘斜率，在淀粉样蛋白组内取平均，再求阳性减阴性的差。这样得到的总量为 0.267 年/年，其中 EV1 为 0.171。它丢掉了协变量校正，并且不论访视次数和随访时长，对每位参与者等权。

第二种替代做法是分别拟合校正后的混合模型，一次以 EV1 的 IG 为结果，一次以 EV2–68 之和为结果。两个估计值合计为 0.356（EV1：0.294），而不是 0.375，因为每次拟合都估计自己的纵向协方差，因而也有自己的观测权重。绝对差距不大，但说明只有当同一个拟合模型为所有分量提供权重时，账目才能对上。

重采样与重训练下 EV1 仍占主导

数值检验很严格：两套坐标系中的重建误差都在 2.20×10⁻⁵ 年/年以内，积分点加倍使 EV1 变化 4.17×10⁻⁶。为检验方向稳定性，对认知正常参与者做了 2,048 次自助重采样，重新估计标准化和协方差，但不重新训练，也不重新计算 IG；原始 EV1 与重采样 EV1 的绝对点积中位数为 0.9992，中央 95% 范围为 0.9984–0.9995，其中 1 表示在符号意义下完全相同。

为评估纵向不确定性，在淀粉样蛋白组内对参与者连同其全部访视做 2,048 次重采样，重新拟合混合模型并重新计算权重和贡献；所有拟合均收敛。EV1 比 EV2–68 的带符号之和多 0.249 年/年（95% 百分位自助 CI：0.131 至 0.378）。另外 10 次 VNN 拟合只改变初始化和小批量顺序，EV1 始终是绝对贡献最大的分量，占净对比的 78.8% 至 83.5%。

预处理敏感性用另一个未做 ComBat 的 VNN 单独训练来检验，改为在混合模型中加入扫描仪批次主效应。这样得到的总量为 0.449（95% CR1 CI：0.246 至 0.652），EV1 贡献为 0.393（95% CR1 CI：0.247 至 0.538），占 87.5%。份额是稳定的，但底层总量发生了变化，因此 0.375 这个数字应理解为与这一套协调化和建模流程绑定。

是协同模式，而非某个脑区热点

论文自己的结论是：在淀粉样蛋白阳性与阴性的 MCI 参与者之间，拟合后的 VNN 所给出的脑龄差进展校正差异，大部分由单一协方差方向承载；而区域 IG 把同一效应分散到许多皮层输入上。作者把 83.2% 的份额解读为：预训练 VNN 沿这一方向的敏感度对纵向发现起了关键作用。这是对模型行为的解释，而不是声称 EV1 是经过验证的生物学通路。

实际判断的优先级来自这一比较，而不是数字大小本身。如果问题是：在这套拟合流程中，哪种输入模式承载了纵向效应？答案是主协方差特征向量，逐脑区阅读会错过它。如果问题是：这一方向能否推广到其他队列、临床对比或轨迹模型？本研究没有回答，作者正是把这些列为未来工作。该结果还以拟合的预测流程和观测权重为条件，分析只覆盖一个队列中的一项对比。

把份额理解为流程特定而非普适

把这一结果带向实际使用，最有用的方式是把它看作同一拟合模型内两套坐标系之间的比较：潜在方向集中了纵向对比，脑区则把它分散，而这种集中性在参与者重采样、训练初始化和协调化方式改变后依然存在。83.2% 不是 MCI 或淀粉样蛋白状态的固定属性，它是在认知正常参与者上训练的 VNN、配合一个混合模型并对其所有分量复用同一套权重后，所得到的 0.375 年/年校正斜率差异中的份额。

这一框架也为读者设定了判断阈值。这里的潜在归因值得信任，是因为保留 EV1 能保住大部分对比（0.296 年/年），移除后只剩很少（0.0622），并且 IG 拆分与这些干预的差异在 EV1 贡献的约 5% 以内。对同一效应的区域归因则需要解释，为什么没有任何单个脑区超过 7.7%。论文的贡献正是这一比较，其边界是：该比较目前只在一个 MCI 队列的一项纵向对比中得到展示。

本文引用的文献