《Translational Research in Anatomy》：Quadratic Discriminant Analysis in Anatomical Research: A Scoping Review and Critical Methodological Appraisal of Morphometrics, Shape Analysis and Tissue Classification
编辑推荐：
摘要
定量分类支撑着几何形态计量学、法医人类学、比较解剖学、组织学和医学影像中的解剖学研究。这些分析将标本、组织或图像分配到预定义的组别，可为分类学归属、生物学特征估计和疾病分类提供信息。然而，其价值取决于拟合模型捕获的是可复现的生物学差异还是开发样本的特异性
摘要
定量分类支撑着几何形态计量学、法医人类学、比较解剖学、组织学和医学影像中的解剖学研究。这些分析将标本、组织或图像分配到预定义的组别，可为分类学归属、生物学特征估计和疾病分类提供信息。然而，其价值取决于拟合模型捕获的是可复现的生物学差异还是开发样本的特异性。解剖学数据集通常将有限数量的独立标本与大量相关测量值相结合。密集地标点、半地标点和成像特征可能产生高维预测变量空间，而双侧结构、重复测量、多个细胞或图像区域可能引入生物学依赖性。测量误差、缺失地标点和不完整标本可能进一步改变估计的组结构。由于解剖学分类可能在人群、收藏品、实验室或成像平台之间转移，评估必须保留独立的生物学单元并反映预期应用场景。当预处理、特征选择或模型调优使用了后来被视为验证数据的观测信息时，表观精度也可能被夸大。二次判别分析（QDA）是一种高斯生成式分类器，它为每个类别估计单独的均值向量和协方差矩阵。与假设共同协方差矩阵的线性判别分析（LDA）不同，QDA允许类别特定的协方差结构，因此可产生非线性决策边界。这种灵活性在解剖学组别在平均形态和变异模式上均存在差异时可能有用，但它也增加了估计负担：不稳定的类别特定协方差矩阵可能产生可变的边界和泛化能力差的概率。正则化判别分析通过将类别特定估计向共享或更简单的协方差结构收缩，提供了一种中间方法。已发表的解剖学应用在其数据结构、QDA规范和验证实践方面各不相同，使得标题性的精度值难以直接解读。此外，当分离无法与可信的解剖学变异相关联时，分类可能在科学上无信息量。因此，本范围综述提出以下问题：QDA如何应用于解剖学数据？哪些局限性影响了协方差估计、验证和解释？经典、降维或正则化形式何时是合理的？应伴随其使用的最低分析和报告规范是什么？本综述将纳入出版物中观察到的证据与方法学综合得出的建议区分开来。
论文解读文章
一、研究背景与现存问题
在解剖学研究中，定量分类广泛应用于几何形态计量学、法医人类学、比较解剖学、组织学和医学影像等领域，旨在将标本、组织或图像分配至预设类别，从而支持分类学鉴定、生物学特征估计及疾病诊断。然而，这类分析的可靠性高度依赖于所拟合模型能否捕捉到可复现的生物学差异，而非仅限于开发样本的特异性噪声。
解剖学数据集普遍面临两大挑战：一是独立标本数量有限，二是测量变量间高度相关。密集地标点、半地标点及成像特征常导致高维预测变量空间，而双侧结构、重复测量或多细胞/多区域数据则引入了复杂的生物学依赖性。测量误差、地标点缺失及标本不完整进一步加剧了组结构的估计偏差。在此背景下，二次判别分析（QDA）作为一种允许各类别拥有独立协方差矩阵的高斯生成式分类器，理论上能够刻画非线性决策边界，在组间均值和变异模式均存在差异时颇具吸引力。然而，QDA对协方差矩阵的估计需求远高于线性判别分析（LDA），在典型的小样本解剖学数据中极易产生不稳定的估计结果，进而影响边界的稳健性和概率的泛化能力。
现有文献中，QDA的应用方式、数据预处理策略及验证手段高度异质，导致直接的性能比较十分困难。许多研究未充分报告协方差稳定性、先验概率设定、预处理泄漏控制及生物学依赖性的处理方式，使得表观精度的可信度存疑。鉴于此，本研究旨在通过系统性的范围综述，厘清QDA在解剖学数据中的应用现状，识别其在协方差估计、验证及解释方面的共性局限，并基于方法学整合提出最低限度的分析与报告规范。
二、研究方法概述
研究人员采用批判性方法学范围综述的设计，遵循PRISMA-ScR和PRISMA-S报告指南。检索数据库包括PubMed、Scopus、Web of Science Core Collection及Google Scholar，时间跨度从建库至2026年8月26日，并结合前后向引文检索。纳入标准涵盖直接应用QDA、主成分分析-QDA（PCA-QDA）、正则化判别分析（RDA）或其他指定二次判别程序于原始解剖学定量数据的出版物，以及涉及相关方法学问题的文献。两名审稿人独立完成筛选、数据提取和方法学质量评价，分歧通过讨论达成共识。最终纳入12篇出版物，其中8篇为直接解剖学应用，4篇为方法学/比较/背景文献。
三、研究结果
3.1 检索结果与研究选择
共检索到766条记录，去重后剩余101篇进行标题和摘要筛选，最终29篇进入全文评估，排除17篇后纳入12篇。纳入的8篇直接应用中，2篇涉及骨骼/法医形态计量学，1篇涉及颅面形状分类，2篇涉及发育/比较解剖学，3篇涉及组织学/细胞形态计量学/组织分类，2篇涉及三维/临床影像。
3.2 证据构成
直接应用涵盖了多种数据类型，包括有序骨骼性状、传统测量值、地标点或轮廓坐标、细胞形态计量及纹理特征、组织光谱及神经解剖学影像测量。6项研究拟合了经典QDA，1项应用了PCA-QDA，1项使用了RDA。报告中对类别先验、协方差条件数、保留成分选择及正则化参数的描述普遍不完整。
3.3 验证、比较模型与结果
验证强度差异显著：2项研究报告了内部交叉验证，1项仅报告了表观分类率，2项采用了独立的开发与测试分区，1项在另一扫描仪获取的独立数据集上进行了外部评估。多数研究未明确说明插补、降维、特征选择及调优是否限定于训练数据内。LDA是最常见的比较模型，其他还包括回归、朴素贝叶斯、神经网络、支持向量机和随机森林。所有直接应用均未将校准图、校准截距/斜率或适当评分规则作为主要结局指标。
3.4 总体证据概况
证据基础规模小且异质性高。高维应用依赖于降维、特征选择或正则化，而经典QDA主要用于限制预测变量维度后的场景。反复出现的局限包括：协方差稳定性和先验的报告不完整、泄漏控制不确定、生物学依赖性的保护有限，以及缺乏外部验证或校准评估。现有证据未能证明QDA相对于LDA或正则化替代方案具有一致优越性。
四、讨论与结论
讨论部分总结：研究人员将统计原理与解剖学数据特征相结合，系统阐释了QDA、LDA与RDA之间的偏差-方差权衡。QDA在每类独立观测数需远大于预测变量数时才具备协方差可估性，否则易导致奇异或不稳定的协方差矩阵。几何形态计量学中的广义普鲁克鲁斯分析（GPA）和切空间投影虽使常规多元分析成为可能，但并未解决小样本下的协方差估计难题，且所有预处理步骤必须在交叉验证框架内重复执行以避免泄漏。对于形状数据，PCA-QDA中主成分数量的选择应基于验证性能而非单纯累积方差阈值。当协方差不稳定时，推荐采用RDA、稀疏QDA或稳健QDA等替代方案，其收缩强度或稀疏性应在训练数据内调优。验证设计需以独立生物学单元（如个体标本）为分组依据，并区分内部分层交叉验证、随机留出测试与真正的外部验证。校准评估应与区分度评估并列，以衡量概率可靠性。生物学解释需谨慎，二次边界本身不能直接推断发育整合或病理机制。
研究结论翻译：基于证据的结论：八项直接解剖学应用表明，经典QDA、PCA-QDA和RDA能够在选定的骨骼、形态计量、细胞形态计量、组织和影像数据集中提供有用的区分能力。然而，它们并未确立QDA相对于LDA或正则化替代方案的普遍优势。大多数应用的验证强度有限，校准评估普遍缺失，且预处理泄漏的可能性意味着部分报道的性能可能被高估。因此，在没有严格泄漏控制、分组验证和校准评估的情况下，不应认为QDA已得到充分验证。方法学建议：当每类提供足够的独立观测、协方差估计良好条件化且可复现、并且泄漏控制的验证显示QDA相对于LDA或正则化替代方案具有有意义的优势时，经典QDA是可辩护的。当这些条件不满足时，收缩、降维、稳健估计或更简单的分类器提供了更可信的分析。
