NetBat：一种基于网络驱动的结构连接性数据协调方法及其在跨扫描器神经影像研究中的应用

针对多中心神经影像数据中扫描器效应干扰脑网络结构分析的难题，本研究创新性地提出NetBat协调方法，通过整合加权随机块模型(WSBM)网络参数作为ComBat协变量，在18名受试者的四台MRI扫描数据中验证显示，NetBat较ComBat和CovBat能更优保留脑区网络关联特征，为结构连接性研究提供了新型网络感知的数据协调解决方案。

　　

在神经科学研究领域，整合多中心神经影像数据已成为常态，但不同扫描仪产生的技术变异（称为扫描器效应）会掩盖真实的脑网络结构。尽管已有ComBat等协调方法能消除扫描器间差异，但这些方法往往忽略大脑固有的模块化网络特性。特别是在研究结构连接性时，传统方法无法保证建模真实的脑网络拓扑结构。这一局限性促使研究人员寻求能同时消除技术变异并保留生物网络特征的新型协调方法。

为解决这一关键问题，国外研究团队开发了NetBat方法。该方法创新性地将加权随机块模型(WSBM)的网络参数作为协变量整合到经典ComBat框架中，通过分析18名健康受试者在四台不同MRI扫描仪上的重复测量数据，证明NetBat在多种条件下能提供更准确的协调效果和更好的网络结构保留能力。这项重要成果发表在《NeuroImage》期刊。

研究采用三项关键技术：1)基于四台3T扫描器(GE/Philips/Siemens Prisma/Siemens Trio)获取的T1加权像数据；2)通过跨扫描器相关性构建个体化结构连接矩阵；3)利用WSBM模型提取网络社区关联参数作为ComBat协变量。主要评估指标包括扫描器间差异度量和网络结构保留指标。

研究结果显示：
在"3.1. 协调方法比较"部分，通过平均绝对差(MAD)和均方根差(RMSD)分析发现，NetBat在特定扫描器配对(如GE-Trio和Prisma-Trio)中表现最优，但对不同测量指标(皮质厚度与体积)的协调效果存在差异。

"3.2. 协调后网络评估"部分通过热图可视化发现，NetBat能更好地保留负相关网络特征。定量分析表明，NetBat和ComBat的结构连接矩阵与原始数据的平均绝对差显著小于CovBat(p<0.05)。调整兰德指数分析显示，对于皮质厚度数据，ComBat的聚类结构最接近原始数据，而体积数据各方法无显著差异。网络模块性分析则发现，所有协调方法对体积数据都能产生比原始数据更高效的模块划分(p<0.01)。

这项研究首次将网络科学模型整合到神经影像数据协调流程中，提出的NetBat方法为结构连接性研究提供了新工具。虽然在某些指标上传统ComBat仍表现更优，但NetBat展现了在保留网络拓扑特征方面的独特优势。研究还揭示了不同协调方法对皮质厚度和体积测量的差异化影响，这对未来方法优化具有重要指导意义。值得注意的是，当前WSBM模型需要预先指定社区数量，未来研究可探索更灵活的生成式WSBM或潜在空间模型等替代方案。该工作为发展网络感知的神经影像协调方法奠定了基础，对促进多中心脑连接组研究具有重要价值。