无监督学习结构连接组中的采集变异性：混合潜在空间建模新突破
扩散磁共振成像（dMRI）的结构连接组分析长期受困于跨站点、扫描仪和协议带来的采集变异性。传统降维方法将所有变异视为连续，导致采集效应与生物变异混杂。近期混合潜在空间模型尝试结合离散与连续成分，但需手动调节容量。本文提出一种无监督框架，通过架构退火（architectural annealing）自适应平衡离散与连续潜在变量，无需手动调参。研究基于7,416个结构连接组（年龄2-102岁，13项研究，25种采集参数组合），对比标准VAE、PCA+k-means及损失退火混合模型。结果显示，架构退火在站点识别上取得ARI=0.53（p<0.05），显著优于基线。该工作为dMRI数据中分离采集效应与生物变异提供了有效无监督机制，有望提升多中心神经影像研究的可重复性。
背景：连接组分析中的采集变异性挑战
多中心dMRI研究因硬件、序列和协议差异引入系统性变异。传统方法如PCA、VAE将所有变异映射到连续空间，难以区分“真正”的生物差异与采集噪声。混合潜在空间模型（如离散+连续变量）可分别建模类别效应（如站点）与连续效应（如年龄），但离散成分的容量需手动设定，限制了实用性。
方法：架构退火实现自适应平衡
作者提出无监督混合模型，核心创新在于编码器输出退火：在训练过程中逐步调整编码器输出的“温度”参数，使模型从完全连续表示过渡到离散与连续混合。相比仅通过损失函数退火（如β-VAE），架构退火更直接地控制潜在空间的拓扑结构。模型使用变分自编码器（VAE）框架，离散成分采用Gumbel-Softmax分布，连续成分采用高斯分布。
实验：大规模多中心数据集验证
数据集包含7,416个结构连接组，来自13项研究，覆盖25种独特采集参数组合。参与者年龄2-102岁，包括5,900名认知正常、**877名轻度认知障碍（MCI）和639名阿尔茨海默病（AD）患者。评估指标采用调整兰德指数（ARI）**衡量站点聚类准确率。
结果：显著优于基线方法
架构退火模型在站点识别上达到ARI=0.53（p<0.05），优于标准VAE（ARI=0.21）、PCA+k-means（ARI=0.35）及仅损失退火的混合模型（ARI=0.42）。进一步分析显示，离散成分成功捕捉了采集参数（如b值、方向数）的类别差异，而连续成分保留了年龄、疾病状态等生物变异。
意义与展望
该工作为多中心dMRI标准化提供了新思路：无需手动标注采集参数，即可无监督分离采集变异。未来可扩展至其他模态（如fMRI），或与纵向研究结合，提升跨站点生物标志物检测的可靠性。